本文介绍了一种基于最小二乘 (LS-MDS) 的多维缩放方法，并将其置于频谱域中进行了分析，得出了距离缩放的多重分辨率属性，从而加速了优化过程并实现了良好的嵌入效果。

Sep, 2017

我们研究了多维缩放（Multi-dimensional Scaling，MDS）的 Kamada-Kawai 公式，提出了一种基于 Sherali-Adams 线性规划层次的近似算法，该算法实现了在目标维度下成本和时间复杂度之间的平衡，为高效度量优化算法的开发奠定了基础。

Nov, 2023

本文提出了一种基于 Poincare disk（PD）的超几何平面的度量多维缩放（PD-MDS）算法，通过基于初等的超几何线搜索而非黑盒优化器的构建方法，在超几何空间模型中解决了多方面的问题。

May, 2011

该研究提出了一种基于表面的谱广义多维尺度映射 (Spectral-GMDS) 方法，用于计算两个度量空间之间的映射关系，该方法在解决问题时隐含地将映射的平滑性纳入，从而实现了高效的嵌入，并在实验中取得了很好的效果。

Nov, 2013

多维缩放（MDS）是将与一组 n 个对象相关的接近信息嵌入到 d 维欧氏空间中的行为。我们提出了一种重新制定 MDS 的方法，并得出了一些结果。

Feb, 2024

该论文介绍了一种新的方法 —— 联合多维标度，它可以将来自两个不同领域的数据集映射到一个低维欧几里得空间中，同时只需要每个数据集内部的成对不相似性作为输入，并展示了其在联合可视化、异质领域自适应、图形匹配和蛋白质结构对齐等多个应用中的有效性。

Jul, 2022

我们提出了一种稳定的欧几里德不变描绘方法，并通过计算输入的 MDS 差异矩阵，应用刚性变换和多个实现，确保变换不变并整合 OOSP，验证了我们的方法在达到一致的 LDS 表示方面的有效性。

Aug, 2023

本研究提出了三个目标函数和相应的自适应算法，可根据输入协方差矩阵的特征值谱自适应地调整输出维度，这些算法被映射到符合生物学可行的局部学习规则的神经元网络中。

Nov, 2015

通过多模态深度学习方法和流形学习的降维技术，本文提出了一种中间多模态融合网络，成功地在处理和分析数据时降低了计算复杂度，并在准确性方面优于其他网络。

Mar, 2024

本文提出了一种可扩展的随机主化最小化方案，能够应对大规模或可能无限的数据集，解决凸优化问题，并开发了几种基于此框架的有效算法，包括一个新的随机近端梯度方法，用于大规模 l1 逻辑回归的非凸稀疏估计的在线 DC 编程算法和解决大规模结构矩阵分解问题的有效性。

Jun, 2013