本文提出了一种基于图信号处理的方法，采用图滤波和随机采样技术加速生成 Laplacian 矩阵特征向量和 k-means 聚类算法步骤，该方法在控制误差的同时计算时间效率可达到数个数量级的提升，并在人工合成数据和真实网络数据集上进行测试。
Feb, 2016
该论文研究了对一组 $n$ 个时间域样本的小型随机子集中的谱稀疏信号的恢复问题，声称使用一种名为结构化矩阵完成（EMaC）的新算法，该算法通过核范数最小化的方式，通过把数据排列成低秩增强形式来进行恢复，并展示了其对低秩多重 Hankel 或 Toeplitz 矩阵的恢复能力。
Apr, 2013
该研究通过光谱保留数据压缩的方式来加速支持向量聚类，并取得了显著的速度提升和聚类质量保持。
Apr, 2023
首次提出了一种新的增强矩阵完成（EMaC）算法，它使用多倍 Hankel 结构将数据排列成低秩增强形式，能够恢复具有谱稀疏性的对象，其底层频率可以在单位圆中具有任何值，该算法对有限噪声和超分辨率具有去噪和应用优势。
本文提出了一种新的算法，通过避免显式计算协方差矩阵结合蒙特卡洛抽样和迭代线性求解器，从而大大加速模型推断。与现有基准相比，实验表明我们的算法在速度上可快数千倍，内存利用率提升一个数量级。
Sep, 2023
该研究论文提出了一种基于赫尔伯特 - 施密特谱理论和矩阵完成方法的不完整多视图聚类算法 PIC，旨在解决在现实生活中多种数据缺失的情况下，提高多视图聚类效果
May, 2019
本文提出了一种基于图信号处理的快速谱聚类算法，通过使用图滤波器对随机信号进行谱聚类距离矩阵的估计，利用这些随机向量的随机性来估计聚类数目 k，相较于传统谱聚类方法，我们的方法在大规模数据集上表现相当且速度至少快二倍。
Sep, 2015
本研究针对典型的谱聚类算法，探讨在一些较弱条件下其性能为何，还研究了利用少于 k 个特征向量进行嵌入的谱聚类，实验表明在合成和真实数据上，使用少于 k 个特征向量时，谱聚类也能够产生相当或更好的结果。
Aug, 2022
本文证明了低秩密度矩阵可以使用更少的采样次数进行压缩测量，而未知低秩状态可以使用压缩感知和矩阵完成技术从不完整的测量中重建，并可使用 Pauli 测量进行认证。最终，我们描述了一种方法，可以使用直接保真度估计进行低秩估计的准确性认证，并且可以用于 Kraus 秩较小的压缩量子过程层析测量。
May, 2012
本研究提出了一种简单、低复杂度的子空间聚类算法，通过阈值化数据点之间的相关性来构建邻接矩阵，并且对噪声和异常值具有鲁棒性，可用于处理高维、噪声丰富的数据点。
Jul, 2013