给定 $n$ 个 $d$ 维实向量，存在一个嵌入函数将这些向量映射到更低的维度 $m$，满足它保留这些向量之间的欧几里得距离并且它需要的最低维度是 $O (\epsilon^{-2} \log n)$，其中 $\epsilon$ 是距离阈值，这个结果匹配 Johnson-Lindenstrauss 引理的上界。

Sep, 2016

该论文提出了一种新的 Johnson-Lindenstrauss（JL）子空间嵌入方法，适用于极大向量和张量，对两种低维（张量）子空间证明了相应的嵌入结果，并在压缩和最小二乘问题中取得了良好的数值效果。

Dec, 2019

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

本文介绍一种基于 Johnson-Lindenstrauss 矩阵的极端多类分类的简单可拓展的框架，该框架使用 JLM 的列来嵌入标签，将分类问题转换为具有对数 C 输出维度的回归问题，并通过冗余分析，揭示了计算效率和预测精度之间的折衷关系。我们的方法易于并行化，并且实验结果表明，在大规模应用中具有有效性和可扩展性。

May, 2023

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

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

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