利用鲁棒统计和递归算法相结合的方法，我们提出了一种新的技术来克服主成分分析在应用于典型实际数据集，尤其是天文光谱方面的局限性，通过开发通用机制，可以在不需要手动审查数据的情况下获取可靠的特征谱，并利用所有观测数据的信息。通过对 VIMOS VLT Deep Survey 光谱集合的演示，我们展示了该方法的能量，并突显了与之前的解决方法相比的改进，以及我们方法的可扩展性，适用于 SDSS 等大尺度收集。

Sep, 2008

使用特征谱方法从现代统计的角度系统、全面且易于访问地介绍了一类从数据中构建矩阵，然后使用上述矩阵的特征向量（Singular vectors）和特征值（Singular values）进行数据分析的方法。特别地，我们围绕着多个中心问题来阐述这些方法在各种大规模应用中的算法含义，如何表征这些方法在达到目标统计精度时的样本效率，以及如何评估它们在随机噪声、缺失数据和敌对损坏面前的稳定性？

Dec, 2020

本文提出了两种新方法来有效地将多层图的频谱结合起来，通过联合矩阵分解和图正则化框架来提高顶点的聚类效果，同时在社交网络数据集上显示出了优异的性能。

Jun, 2011

通过基于传统光谱分割方法，将图像分解为由自我监督网络的特征亲和矩阵的拉普拉斯特征向量，以对场景中的对象进行定位和义分割的无监督方法，在 Pascal VOC，MS-COCO 等复杂数据集上取得了显著的定位和分割优势。

May, 2022

基于子集集合的归一化特征值谱，我们提出了一种增量谱聚类方法，将数据分成可管理的子集，对每个子集进行聚类，根据特征值谱的相似性合并不同子集的聚类结果，从而实现整个数据集的聚类。实验结果表明，该方法能够获得接近整个数据集聚类结果的子集聚类和合并。

Aug, 2023

该论文提出了一种利用数据邻接矩阵的特征向量中的聚类信息的算法，命名为 DaSpec 算法，可以自动确定聚类的数量和相应的数据分组，实验证明其在处理不平衡组及不同形状的聚类时比现有方法更优。

Jul, 2008

本文研究了流行的谱聚类算法的一致性，并开发了新方法来证明谱聚类算法的一致性。结果表明，规范化聚类在非常普遍的条件下是一致的，而未规范化聚类只在强附加假设下是一致的。因此，规范化谱聚类算法是优越的。

Apr, 2008

本研究针对典型的谱聚类算法，探讨在一些较弱条件下其性能为何，还研究了利用少于 k 个特征向量进行嵌入的谱聚类，实验表明在合成和真实数据上，使用少于 k 个特征向量时，谱聚类也能够产生相当或更好的结果。

Aug, 2022

扩展视觉技术在物理学中非常普遍，然而由于数据立方体的光谱构成对其解释提出了挑战。为了解决这个问题，我们探索了在编码空间中应用无监督聚类方法的可能性，通过数据立方体像素的光谱属性进行深层聚类，该过程由经过训练的变分自动编码器进行统计降维，同时聚类过程由可学习的迭代 K 均值聚类算法执行。我们将这一技术应用于两个不同的物理起源用例：一组关于绘画艺术品的宏观映射 X 射线荧光（MA-XRF）合成数据和模拟天体观测的数据集。

Jan, 2024

介绍了光谱排名的历史并阐述实现方法，该方法将线性映射理论（特别是特征值和特征向量）应用于不表示几何变换，而是表示实体之间某种关系的矩阵。

Dec, 2009