深度双重自表达子空间聚类
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
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
本研究提出了一个深度学习算法，通过结构感知谱嵌入和结构保持，编码输入数据的子空间结构和形状信息，并基于自表达学习和注意力机制，能够更好地处理非线性数据集的聚类问题，并在六个真实数据集上取得了优异的聚类性能和更好的泛化能力。
May, 2023
本文提出了一种联合学习框架，通过使用双自编码器网络将输入嵌入到潜在空间中，利用相互信息估计从输入中提供更具区分性的信息，并应用深度谱聚类方法将潜在表示嵌入到特征空间中并聚类，证明该方法在基准数据集上显著优于现有的聚类方法。
Apr, 2019
本文提出通过数据增强来提高自表示模型的表达质量，以应对子空间内数据分布不足的问题。提出了两种半监督子空间聚类框架，使用扩展字典，证明数据增强对于提高聚类效果有显著作用。
Jul, 2022
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
本文提出了一种基于卷积神经网络的无监督多模态子空间聚类方法，包括三个主要阶段：多模态编码器、自表示层和多模态解码器。对于空间融合，探究了早期、中期和晚期融合技术，并提出了三种相应的编码器。在三个数据集上进行了广泛的实验，结果表明这些方法明显优于现有的多模态子空间聚类方法。
Apr, 2018