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

研究了利用 LRR-PSD 算法来实现高维结构数据的分割，其通过显式地施加正半定约束将稀疏重构的亲和矩阵转换为低秩表示。

Sep, 2010

深度子空间聚类网络通过线性子空间聚类算法学习表示矩阵，进一步改进了多层图的性能，并在聚类外样本数据点中取得了统计学上显著的改进。

Jan, 2024

本文提出了一种基于小波域风格转移的新方法，该方法比基于 GAN 的方法达到了更好的感知质量和畸变之间的平衡，通过使用 2D 小波变换来将图像分解为低频和高频子带，并为低频子带和高频子带分别提供单独的处理，最后将两个子带重新组合以获得同时具有较高客观性和感知性质量的图像。

Oct, 2019

本文介绍了一种名为 “稀疏子空间聚类”（Sparse Subspace Clustering，SSC）的算法，该算法通过在低维结构中聚类高维数据点来实现，采用了稀疏优化的思想并融合了数据模型以处理数据噪音、稀疏的非典型数据，经过实验验证，表明该算法具有高效性和较好的效果。

Mar, 2012

本文提出了一种新的异常检测框架，使用多次自表示构建弱异常检测器，利用弹性网络和马尔可夫链在每个阶段构建自表示，实现梯度提升，将多个弱检测器结合成一个强检测器，可应用于图像和讲者数据库中的异常检测问题，并取得了优异的实验效果。

Jun, 2023

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

本论文提出了一种新的预测子空间聚类方法，该方法可以将高维数据划分为互不相交的线性子空间聚类，同时估计子空间的 PCA 参数，实现变量选择，经过实验在基因表达数据集上得到了较好的结果。

Mar, 2012

改进了现有语音识别中常用的特征提取方法，采用小波散射变换（WST）为低资源语音识别系统提供精确信息，通过优化 WST 特征和使用不同的 WST 超参数开发 ECAPA-TDNN 基于 LID 系统，大大改善了对未知数据的泛化能力。

Oct, 2023

介绍了一种低秩多尺度纠缠重整化状态 (MERA) 基于 MSC 的算法 (MERA-MSC)，并将其扩展为可扩展的低秩 MERA 的基础上发展出 MVC (sMERA-MVC) 算法，并在五个数据集上对比实验，优于其他基于 MSC 方法。

May, 2023