本文研究基于距离比较的序列嵌入问题，考虑给定的限制条件因人类判断而产生误差和变异性，提出了新的算法来预测和优化嵌入结果。
Jun, 2016
提出一种统一的框架来同时识别污染比较和获得可靠的嵌入学习，以从含有污染比较的数据中进行鲁棒性序列嵌入。
Dec, 2018
提出了一种基于分布式边际学习（DMOE）的序数嵌入技术，用于解决缺乏训练样本时的序数嵌入问题，该方法避免了直接最大化边际均值和最小化边际方差，从而提高了整体的泛化性能。
本文提出了一种基于地标的策略，称为 Landmark Ordinal Embedding（LOE），来解决现有的序数嵌入问题，通过利用潜在嵌入的低维度来平衡统计效率和计算效率，并在 Bradley-Terry-Luce 噪声模型下说明了 LOE 的统计一致性，并通过对计算复杂度进行严格分析，证明 LOE 在项目数量增加时明显比传统序数嵌入方法更高效。同时，本文还提出了一种实用的方法，利用 LOE 来热启动更具统计效率但计算代价较高的现有方法。
Oct, 2019
该论文介绍了一个通用的多元组查询方法，称为 InfoTuple，通过相互信息最大化采用一种新颖的方法，以实现多元组查询的自适应选择。在合成测试和新的人类响应数据集上，该方法在各种元组大小的性能均优于最先进的自适应三元组选择方法，并在经验上证明了通过查询更大的元组而不是三元组实现的查询效率和一致性的重大收益。
研究关于有限度量空间的非线性模拟，探索其与希尔伯特空间的扭曲嵌入子空间的基数，并给出了关于嵌入和扭曲的任意精度下限和上限。
Jun, 2004
基于带宽的分析性逐点嵌入与位置嵌入的关系探索以及在点云分类和注册中具有鲁棒性的结果。
Sep, 2023
本文提出了一种基于量化的快速 Johnson-Lindenstrauss 嵌入法，该方法使用有界正交系统和部分循环集合进行快速的嵌入，并利用噪声整形实现积极的降噪机制，该方法的误差多项式和指数衰减，是当前二进制嵌入和汉明距离所能达到的巅峰效果；此外，本文还提出了一种基于噪声整形机制的量化压缩感知度量方法，该方法在测量值的数量和比特数上实现了误差的多项式和指数衰减，是目前处理有限正交系统的最优表现。
Jan, 2018
本研究介绍了一种名为 “全能嵌入” 的多样本图推理方法，它在同一顶点集上联合嵌入多个图，证明了该嵌入的中心极限定理，并展示了它在图比较、多尺度图推理和问题解决方面的应用，如特定子图或顶点的识别及其相关性研究。
May, 2017
该研究介绍了一个交互式系统 ——Embedding Comparator，它可以用于快速比较不同维度的嵌入向量空间，帮助用户快速可视化了解语义变化，实现了从手动操作到可视化操作的转换。
Dec, 2019