本文提出了一种基于图信号处理的方法，采用图滤波和随机采样技术加速生成 Laplacian 矩阵特征向量和 k-means 聚类算法步骤，该方法在控制误差的同时计算时间效率可达到数个数量级的提升，并在人工合成数据和真实网络数据集上进行测试。

Feb, 2016

将压缩传感和矩阵补全方法与健壮谱聚类相结合，用来解决多类聚类问题，并分析研究压缩传感和矩阵补全等方法对相似度矩阵产生的影响。

Nov, 2010

改进版本的稀疏多维核谱聚类算法中，通过改良的方法提高了计算效率，并在合成数据和图像分割等实际问题上进行了计算实验，取得了理论和实际改进的结果。

Oct, 2023

本文提出了一种基于图信号处理的快速谱聚类算法，通过使用图滤波器对随机信号进行谱聚类距离矩阵的估计，利用这些随机向量的随机性来估计聚类数目 k，相较于传统谱聚类方法，我们的方法在大规模数据集上表现相当且速度至少快二倍。

Sep, 2015

本研究提出了一种基于顶点嵌入的简单谱聚类算法，通过幂法计算的向量，在接近线性时间内计算顶点嵌入，并在输入图形的自然假设下，算法能够可靠地恢复出真实聚类结果。通过在多个合成和现实世界数据集上的评估发现，该算法与其他聚类算法相比，具有显著更快的速度，并且产生的聚类准确度基本相同。

Oct, 2023

采用自适应随机梯度优化的实用方法可以学习拉普拉斯矩阵的完整光谱，且每个迭代的成本与样本数量成线性关系，实验证明其具备比近似方法更好的计算可扩展性。

Jul, 2016

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

本文研究自适应压缩感知的结构化信号支持恢复问题。我们研究了几类结构化支持集，表征了通过压缩测量准确恢复此类集合的基本限制，并同时提供了表现接近最优的自适应支持恢复协议。我们表明，通过自适应设计传感矩阵，我们可以获得比非自适应协议更显着的性能增益。这些增益源于自适应感知可以更好地减轻噪声的影响，并更好地利用支持集的结构。

Oct, 2014

本文提出了一种基于相关性阈值和谱聚类算法的低复杂度聚类算法，可将高维数据点聚类成低维线性子空间的集合，并成功处理了子空间相交和数据点缺失的问题，同时还提出一种检测异常值的方案。

Mar, 2013

提出了一种名为参数化谱聚类（PSC）的新方法，该方法扩展了谱聚类的能力，解决了大数据和实时场景中的挑战，并实现了与标准谱聚类相当的计算效率。PSC 具有增量聚类和实时数据分析应用的重要潜力，为动态和演化数据集中的及时和准确的聚类提供支持。

Nov, 2023