文章：ICM 2017
代码：TensorFlow实现；pytorch实现
深度学习与子空间聚类的结合。与普通的自编码器相比，增加了低维特征空间的子表示层（蓝色框框）。
表示
顾名思义，自表示，即一个样本可以被同属一个子空间的其他样本线性组合，同时要最小化线性组合系数来避免无穷多个解。
系数C不同的范数限制，产生了不同的自聚类方法。
稀疏子空间聚类：L1正则项
低秩子空间聚类：minrank(Z),进一步松弛为核范数最小化min‖Z‖∗（一个矩阵的秩等于其非零奇异值的个数。那么矩阵的秩最小化等价于矩阵的奇异值非零个数尽量少，进一步可以松弛为矩阵的所有奇异值的和尽量小）
将限制条件以正则项的形式加入目标函数，
目标函数
重构损失 + 系数正则项 + 自表示损失。
self-expressive layer
不带有非线性激活函数，没有bias的全连接线性层。自表示层的权重即为C,用于后续构建亲和力矩阵，因此损失函数进一步统一为：
训练
pre-training：训练没有自表示层的自编码器；
fine-tuning：加入自表示层，以预训练的结果作为初始值进行学习。
注意事项：训练中每个batch应该保持不变，因此是基于确定性动量的梯度法，而不是随机梯度。
构建亲和力矩阵affinity matrix
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
