Le paradigme de subspace clustering flou standard peut conduire à des discontinuités dans les solutions calculées : des points voisins peuvent être affectés à des clusters différents, ce qui peut conduire à une mauvaise estimation des sous-espaces. Pour contrer ce phénomène, cet article propose d'ajouter à la fonction de coût un terme de régularisation, inspiré du clustering spectral, pour combiner une similarité globale à la similarité locale à chaque cluster. Un nouvel algorithme basé sur l'optimisation alternée, appelé Weighted Laplacian Fuzzy Clustering, WLFC, en est dérivé et étudié expérimentalement.
Cet article présente un algorithme de subspace clustering, dont la fonction de coût similaire aux c-moyennes floues fait apparaître une distance euclidienne pondérée et un terme de pénalité non-différentiable. Cet algorithme s'appuie sur le cadre théorique de l'optimisation par descente proximale qui permet d'établir l'expression d'un terme de mise à jour pour cette fonction de coût. Un nouvel algorithme, nommé PFSCM, est présenté, qui combine descente proximale et optimisation alternée. Les expériences réalisées sur des données artificielles montrent la pertinence de l'approche considérée.