本文提出了在流模型中使用哈希和本地密集方法构造的 Johnson-Lindenstrauss 变换的稀疏版本，其每列仅具有 $\tilde {O}(\frac {1}{\epsilon})$ 非零条目，可以实现 $(1±\epsilon)$- 近似投影的更新时间为 $\tilde {O}(\frac {1}{\epsilon})$，这大大优于以前的方法所需的 $\tilde {O}(\frac {1}{\epsilon^2})$ 更新时间。

Apr, 2010

研究了一个基于稀疏 Johnson-Lindenstrauss 变换的几何设置，它在 T 上保存每个 x 的范数，从而推导出一种关于几何复杂度的新参数，并且该参数可以帮助限制需要 M、S 的大小。这一结果是 Gordon 定理的稀疏模拟，并且该方法可应用于经典和基于模型的压缩感知、流形学习和约束最小二乘问题等领域。

Nov, 2013

利用 Banach 空间中的概率新工具，将随机投影问题的研究推进到一个新的水平。其主要结果是可以线性映射任意 $N$ 个 $n$ 维实向量到一个 $O (log N polylog (n))$ 线性空间中，并在保持向量之间距离一定畸变的同时，对每个向量的映射可以在 $O (n log n)$ 时间内完成。

May, 2010

本文提出了利用次高斯矩阵进行欧几里德降维的理论，该理论统一了先前针对特定数据集获得的几个限制等距性和约翰逊 - 林登斯特劳斯类型结果。特别是，我们恢复了并在多种情况下改进了关于稀疏向量、结构化稀疏向量、低秩矩阵和张量、平滑流形集合的结果。此外，本文还为采用 Hilbert 空间子空间无限并形式的数据集建立了新的约翰逊 - 林登斯特劳斯嵌入。

Feb, 2014

提出了一种低失真度嵌入方法，在线性代数问题中得到广泛应用，支持 l_2 误差损失最小回归以及 (1±ε) 失真度的 l_p 子空间嵌入，包括一种基于输入稀疏性的 l_p 子空间采样过程。

Oct, 2012

本文使用基于结构化随机矩阵和正交行的嵌入，分析了其在机器学习中的应用，包括降维和核逼近，同时通过实证结果证明了该方法在各种机器学习应用中具有明显提高精度和 / 或速度的效果。

Mar, 2017

本文考虑使用随机矩阵将具有边界的流形嵌入到低维空间中，进而得出一类新的结构化矩阵分布，其在嵌入低维流形方面具有优势，并且可以用于构造 log^cN 维的 Johnson-Lindenstrauss 嵌入矩阵，并且在计算矩阵乘法的复杂度上仅仅是 O (N log (logN))。

Oct, 2021

通过投影到随机的 O (log (k/ ε) / ε²) 维子空间上，可以近似保持欧几里得 k-means 或 k-medians 聚类的最优解成本，并且适用于任何满足温和的子高斯尾条件的维度缩减映射，其维数几乎是最优的。此外，该结果适用于所有权重的欧几里得 k - 聚类。

Nov, 2018

通过对具有 k 阶和级别 δ 的稀疏矩阵 Phi 进行列符号随机化，该结果可以很好地嵌入 R^N 中的任何固定点集至 R^m 中，是 Johnson-Lindenstrauss 嵌入的最优算法，在部分 Fourier 和部分 Hadamard 矩阵中，该算法优于各种最优算法。此外，该研究结果在冗余字典的压缩感知中也具有直接应用。

Sep, 2010

研究采用缩略图替代数据矩阵来加速 k - 均值聚类和约束 k - 秩近似问题的精确、近似或启发式算法，并提供降维和草图技术及近似算法来解决这些普遍问题。

Oct, 2014