该论文提出了一种基于线性时间算法的方法来精确近似统计杠杆分数，以选取代表性的子样本，运用于 Nyström 近似中，以提高预测准确性和减少计算成本。

Mar, 2021

本文提出了一系列启发式策略，使 Nyström 方法在 nonsymmetric 或 rectangular 矩阵中具有高准确度，通过交替方向细化过程，将 Nyström 方法和瘦秩揭示分解作为快速枢轴策略。

Jul, 2023

通过基于随机化 K-means 算法的优化 Nystrom 方法，本文提出了一种能适用于大规模数据集的低秩近似计算算法，使得在高维数据集上能够以较小的准确性损失实现更高的计算效率。

Dec, 2016

通过将线性 k - 均值聚类应用于使用称为等级限制的 Nyström 近似构造的 {k/epsilon}(1+o (1)) 特征，本文分析了该范例应用于核 k - 均值聚类，并表明相对于不使用 Nyström 方法提供的保证，计算出的群集分配会满足相对于核 k-means 成本函数的 1+epsilon 逼近度。

Jun, 2017

本文章介绍了一种改进基于核方法的机器学习方法运行时间的方法，并提出了一个计算算法，该算法可以用来在不需要生成全核矩阵的情况下，对特征向量矩阵进行采样，并在统计表现和运行时间方面提供了新的保证。

Nov, 2014

介绍了一种名为 SQUEAK 的基于 RLS 抽样的核逼近算法，可以在线性时间内生成精确的核矩阵近似，并且只需处理数据集一次；同时还提出了一个并行和分布式版本，可在对数时间内线性扩展到多台机器上。

Mar, 2018

本研究论文提出了一种基于内核的机器学习技术在大规模数据集上处理离散选择建模时所面临的挑战，通过引入 Nyström 近似方法来解决存储需求和涉及参数数量的问题。研究还评估了不同优化技术在所提出的 Nyström 模型上的效率，并发现 k-means Nyström KLR 方法与 L-BFGS-B 和 Adam 优化方法相结合，在处理超过 200,000 个观测值的数据集时保持了稳健的性能。

Feb, 2024

本篇研究论文旨在重新考虑随机算法用于对称半正定矩阵的低秩逼近，通过实证评估了样本抽样和投影方法的性能质量和运行时间，证明了它们的互补性，在相对误差较低前提下表明了不同采样方法之间的重要区别，并为随机抽样和随机投影方法提供最坏情况的理论边界。

Mar, 2013

本文首次提供了 Nyström 方法用于求解不定核的低秩矩阵逼近的数学完整证明，并提出了一种高效的方法来寻找这种核矩阵的近似特征分解，以此构建可在再现核 Krein 空间中学习的高度可扩展方法。这些方法提供了一种有原则的并且理论基础良好的方法来解决大规模关于不定核的学习问题。本文的主要动机来自于具有结构表示的问题（例如图形，字符串，时间序列），在这些问题上，根据直觉和 / 或领域专家的知识很容易设计出一对一的（不）相似度函数。这些函数通常不是正定形的，并且超出了实践者的专业知识范围。本文使用不定核构建在结构化和向量化数据表示中，通过经验证明了这些方法的有效性。

Sep, 2018

该研究提出了一种新的基于采样策略的算法来计算矩阵的最优低秩逼近，相较于之前基于随机投影的算法，该方法可适用于稀疏结构等场景，并在核矩阵逼近算法方面表现最优。

Nov, 2015