- 小波包子空间聚类
基于小波包、MERA 张量网络的子空间聚类方法具有较好的聚类效果，对噪声具有较强的抑制能力，并在实验中取得了与深度子空间聚类算法相媲美甚至超过的结果。
- GCC: 生成校准聚类
我们提出了一种新颖的生成校准聚类（GCC）方法，将特征学习和扩充巧妙地融入聚类过程中，通过发现真实样本和生成样本之间的内在关系和生成可靠聚类分配来改善聚类性能。
- 多层次图子空间对比学习用于高光谱图像聚类
本文提出了一种用于高光谱图像 (HSI) 聚类的多级图像子空间对比学习 (MLGSC) 模型，通过构建图卷积子空间、局部全局图表示和多级对比学习，有效提高了聚类准确性。在四个常见的 HSI 数据集上进行评估，结果显示该模型的整体准确率显著优 - 地铁客流建模的低秩稳健子空间张量聚类
本研究提出了一种基于张量的子空间聚类和异常分解技术，旨在同时实现高维张量的异常鲁棒降维和聚类。通过结合 Tucker 分解、稀疏异常分解和子空间聚类，提出了一个新的低秩鲁棒子空间聚类分解模型，并通过块坐标下降算法更新参数。实验证明，该方法在 - 基于图卷积网络的多视角高光谱图像子空间聚类
该研究提出了一种基于图卷积网络的高光谱图像的多视角子空间聚类方法，利用空间关系分析和表达了高光谱图像的特性，并通过两个图卷积子空间构建了更具区分度的特征图，该模型在三个流行的高光谱图像数据集上具有较高的聚类准确性。
- 可扩展多视图聚类通过显式核特征映射
在本文中，我们引入了一个新的多视图子空间聚类的可扩展性框架，并提出了一种有效的优化策略，利用核特征映射来减少计算负担，同时保持良好的聚类性能。该算法的可扩展性意味着它可以应用于包含数百万数据点的大规模数据集，并在几分钟内使用标准机器完成。我 - 稳健核稀疏子空间聚类
我们提出了一种新的鲁棒核稀疏子空间聚类（RKSSC）算法，可用于具有严重稀疏损坏的数据，该算法可以通过核技巧将非线性问题转化为映射后的高维特征空间中的线性问题，以实现对这种类型损坏的稳健性。
- 深层结构和注意力感知的子空间聚类
提出了一种新颖的深度结构和注意力感知子空间聚类方法（DSASC），同时考虑了数据内容和结构信息，通过使用视觉转换器提取特征，并将这些特征分为结构特征和内容特征，用于学习更高效的子空间结构进行谱聚类。大量实验结果表明，该方法明显优于现有方法。
- Dip - 检验范围的扩展 - 用于聚类的高效可微 p 值计算
过去十年中，Dip-test 在数据挖掘领域引起越来越多的关注，它是一种无参数统计检验方法，可可靠地评估一维样本的单峰性，并返回 Dip 值和相应的单峰性概率 (Dip-p-value)。我们提出了一种专门设计的 sigmoid 函数，用作 - 基于图卷积网络的高光谱图像对比多视角子空间聚类
通过使用图卷积网络进行对比多视图子空间聚类，该研究提出了一种有效的方法来解决高维复杂光谱结构对高光谱图像聚类的挑战，通过最大限度地利用 HSI 中的空间和纹理特征信息来提高聚类准确性。
- 关于投影聚类的泛化界限
给定一组点，聚类是找到一个点集合的分区，使分配给一个点的中心尽可能接近。对于中心为点的目标，我们显示了一个收敛速度为 O (sqrt (k/n)) 的收敛界限。对于中心为 j 维子空间的子空间聚类，我们显示了一个收敛速度为 O (sqrt - 深度双重自表达子空间聚类
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。
- 学习结构感知的深度谱嵌入
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。
- 一步二分图切割：一种标准化的公式及其在可扩展子空间聚类中的应用
本文提出了一种新的一步二分图切割（OBCut）标准，可以在线性时间内强制执行归一化条件，并将其扩展到可扩展的子空间聚类方法中。实验表明，该方法在各种普通和大规模数据集上具有有效性和可扩展性。
- 低秩张量空间中基于超拉普拉斯正则化的概念因子分解方法用于多视角聚类
提出了在低秩张量空间中采用超拉普拉斯正则化概念分解（HLRCF）进行多视角聚类，通过采取概念分解来探索每个视图的潜在簇表示，并赋予超图拉普拉斯正则化能力抽取潜在空间中的非线性局部结构。通过开发自权重张量 Schatten p 范数来约束由所 - 重新审视数据增强在子空间聚类中的应用
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。
- 加强型鲁棒多视角核子空间聚类
本研究提出了一种新颖的多视图子空间聚类方法，其中采用了 Enriched Robust Multi-View Kernel Subspace Clustering 框架，结合多视角数据和谱聚类学习一致性亲和矩阵，解决了现有方法采用两阶段框架 - CVPR学习自表示网络进行子空间聚类
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 - 超越线性子空间聚类：非线性流形聚类算法的比较研究
本文综述了过去十年中非线性子空间聚类方法的发展，并将其分为保局性、基于核和神经网络三类算法。通过在综合设计的合成和现实数据集上的广泛比较，揭示了这一领域的潜在研究方向和未解决的挑战。
- KDD基于 k - 分解的大规模子空间聚类
本文介绍了一种名为 k-Factorization Subspace Clustering (k-FSC) 的方法，用于大规模子空间聚类。该方法通过追求矩阵分解模型中的结构稀疏性，直接将数据因式分解成 k 组，从而避免了学习亲和矩阵和进行特