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

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

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

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

研究了将单位球面子集嵌入到 Hamming 立方体中的方法，利用高斯宽度表征了失真和样本复杂度之间的权衡关系，并提供了嵌入点的局部嵌入以及更快的二进制嵌入等改进方案。

Dec, 2015

本研究提供了两种简单的 $l_2$ 线性映射降维构造方法，通过使用稀疏嵌入矩阵使扭曲度达到 $1 + \varepsilon$，并在行数方面达到渐近优化，从而实现子常数稀疏，在所有参数值方面均优于先前的研究，并可用于加速应用程序中的 $l_2$ 维度约减。

Dec, 2010

本文研究欧几里得空间中距离草图和维度约简等方面的问题，并讨论了相应的算法和理论。

Oct, 2016

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

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

研究拟合 n 个高斯随机向量到以原点为中心的椭球体边界问题，证明了它在 n 与 d 趋近于无穷大的情况下具有尖锐的可行性转变，并使用 Bartl&Mendelson 的关键结果和矩阵专业性质得出了当 n ≤ d²/C 时 (此处 C>0 是一个常数)，该问题是可行的且概率高。

Jul, 2023