本文研究了利用神经网络学习的嵌入空间进行子空间聚类的问题，提出了现有方法存在的一些潜在问题，并通过实验验证了以前的性能表现不完全是由于深度子空间聚类模型本身而产生的。

Oct, 2020

本文提出了基于 dropout 和正则化的随机稀疏子空间聚类方法，旨在解决现有方法在同一子空间内数据点之间连接不紧密的问题，并经过大量实验验证了该方法的有效性和可扩展性。

May, 2020

本文提出了一种基于深度自编码器的无监督子空间聚类新颖深度神经网络架构，其中引入了一种自相似层，以模拟传统子空间聚类方法中的 “自相似” 属性。该方法能够在非线性方式下对具有复杂结构的数据点进行聚类，并且在实验中表现出优于现有方法的性能。

Sep, 2017

本文提出了一种名为 Self-Expressive Network (SENet) 的新型子空间聚类框架，该框架采用一个设计良好的神经网络来学习数据的自表达表示，该框架不仅可以在训练数据上学习自表达系数，还可以处理外样本数据和大规模的数据集，通过实验验证其在 MNIST、Fashion MNIST、Extended MNIST 和 CIFAR-10 上有效。

Oct, 2021

本文提出了一种双自表达子空间聚类算法，利用自表达系数构建相似度矩阵进行谱聚类，并提出了基于对比学习的自监督模块，该算法在多个基准数据集上实现了比现有方法更好的聚类表现。

Jun, 2023

提出了一种称为自监督卷积子空间聚类网络（S^2ConvSCN）的端到端可训练框架，该框架将 Convolutional Neural Network 模块（用于特征学习），自我表达模块（用于子空间聚类）和谱聚类模块（用于自我监督）组合到联合优化框架中，实现了同时的特征学习和子空间聚类。

May, 2019

本文提出了一种利用卷积自编码器将图像转化为线性子空间并进行深度子空间聚类的新方法，通过在编码器和解码器之间插入多个线性层和一个新型的损失函数来提高模型性能。实验结果表明，该方法在多个真实数据集上均显著超越同类方法。

Jan, 2020

研究介绍了神经协同子空间聚类，一种无需谱聚类辅助即可发现低维子空间中数据点集簇的神经模型。关键在于分类器的构建和两个相关矩阵的协同训练。与其他聚类算法相比性能更优。

Apr, 2019

本文提出了一种基于模型影响力和损失的子采样策略，可以在减少数据扩增集大小达到 90％的同时，实现相同的准确性和不变性优势。

Oct, 2018

本文介绍了一种随机化方案，名为 Sketch-SC，它是一种针对高维大容量数据的 SC 的加速计算方法，通过使用随机投影来压缩数据矩阵以实现快速而准确的大规模 SC。在实际数据上的性能分析及广泛的数值测试证实了 Sketch-SC 的潜力和与最先进的可扩展的 SC 方法相比的竞争性能。

Jul, 2017