Zustandsderkunst-Methoden für Subraumclustering basieren auf der Darstellung jedes Datenpunkts als lineare Kombination anderer Datenpunkte, wobei die Koeffizientenmatrix mit $\ell_1$ℓ1​, $\ell_2$ℓ2​ oder nuklearen Normen regularisiert wird. Die Regularisierung mit $\ell_1$ℓ1​-Norm garantiert unter weitreichenden theoretischen Bedingungen eine subraum-bewahrende Affinität (d.h., es gibt keine Verbindungen zwischen Punkten aus verschiedenen Subräumen), aber die Clusters können unverbunden sein. Die Regularisierung mit $\ell_2$ℓ2​- und nuklearen Normen verbessert oft die Verbundenheit, bietet jedoch eine subraum-bewahrende Affinität nur für unabhängige Subräume. Gemischte Regularisierungen mit $\ell_1$ℓ1​, $\ell_2$ℓ2​ und nuklearen Normen bieten einen Kompromiss zwischen den Eigenschaften der Subraumbewahrung und der Verbundenheit, was jedoch zu erhöhter rechnerischer Komplexität führt. In dieser Arbeit wird die Geometrie des Elastic Net-Regularisierers (eine Mischung aus $\ell_1$ℓ1​- und $\ell_2$ℓ2​-Norm) untersucht und verwendet, um eine beweisbar korrekte und skalierbare Active Set-Methode zur Bestimmung der optimalen Koeffizienten abzuleiten. Unsere geometrische Analyse liefert auch eine theoretische Begründung sowie eine geometrische Interpretation für das Gleichgewicht zwischen den Eigenschaften der Verbundenheit (aufgrund der $\ell_2$ℓ2​-Regularisierung) und der Subraumbewahrung (aufgrund der $\ell_1$ℓ1​-Regularisierung) beim Elastic Net-Subraumclustering. Unsere Experimente zeigen, dass die vorgeschlagene Active Set-Methode nicht nur den Stand der Technik in Bezug auf Clusterverbesserung erreicht, sondern auch effizient große Datensätze verarbeitet.