本文介绍了稀疏子空间聚类算法，该算法通过在低维结构中聚类高维数据点，利用稀疏优化处理数据噪音和异常值。实验结果表明，该算法高效且效果良好。

本文提出了一种深度扩展的稀疏子空间聚类方法，通过神经网络的非线性变换，满足了稀疏性原则和学习深度特征的单位球分布假设。实验证明该方法在四个真实世界数据集上具有明显优势，是最好的基于深度学习的子空间聚类方法之一。