事实证明，马尔可夫随机漫步（MRW）是理解频谱聚类和嵌入的有效方法。 然而，由于较少的整体结构量度，常规MRW（例如，高斯内核MRW）无法应用于处理从子空间的混合中提取的数据点。 在本文中，我们介绍了一种正则化的MRW学习模型，该模型使用低秩罚分约束全局子空间结构，用于子空间聚类和估计。 在我们的框架中，可以从MRW的转移概率中学习局部成对相似性和全局子空间结构。 我们证明，在某些合适的条件下，我们提出的局部/全局准则可以准确地捕获多个子空间结构，并学习数据的低维嵌入，从而对子空间进行真正的分割
