该研究提出了两种新算法，U-SPEC 和 U-SENC，用于解决极大规模数据集的光谱聚类的可扩展性和稳健性问题，其中 U-SENC 在提高可靠性的同时保持高效性，并且这两种算法具有近乎线性的时间和空间复杂度。

Mar, 2019

本文介绍了拉普拉斯矩阵的第二特征值和相关特征向量在无向图中的基本特征，并提出了第二特征向量的局部偏差模型，用于半监督方式下确定数据图的本地性质和优化问题，从而可以在近线性时间内计算最优解，并提供了在社交和信息网络中找到具有局部偏差的稀疏线性切割的详细实证评价。

Dec, 2009

探索仅具有多向相似性度量的多向测量设置，开发两种算法：Hypergraph Spectral Clustering（HSC）和 Hypergraph Spectral Clustering with Local Refinement（HSCLR），并取得在二元加权边缘情况下的优异结果。

May, 2018

本文研究了基于矩阵浓度不等式的谱超图划分算法的误差边界，研究了一种广义的随机非均匀超图种子分区模型，并证明了这个算法与该模型的一致性结果，为对超图分区理论的了解提供了新的观点。

May, 2015

该论文研究了高阶重复本征值与稀疏割的关系，探讨了利用底部 k 个本征向量将顶点嵌入到 R^k 中，并应用几何考虑进行嵌入的聚类算法的理论基础，并证明了在所有图形中，存在一组大小不超过 2n/k 的集合，其扩展至多为 O (sqrt (λklogk))，从理论上提供了这些算法的近乎最优权衡。

Nov, 2011

本研究提出了一种基于查询工作负载的知识图谱分区方法，通过聚类查询和重写查询来减少分布式关联并优化工作负载性能。实验结果表明了该方法在工作负载处理时间上的性能提高。

Mar, 2022

机器学习中，数据的指数增长和相关的 “维度之诅咒” 带来了重大挑战，特别是在扩大但稀疏的数据集中。多视图集成学习 (MEL) 是一种变革性方法，其中特征分区 (FP) 在构建 MEL 的人工视图中起到关键作用。本研究引入了语义保持特征分区 (SPFP) 算法，这是一种基于信息理论的新方法。SPFP 算法有效地将数据集分为多个语义一致的视图，增强了 MEL 过程。通过对八个真实数据集的广泛实验，从高维度有限实例到低维度高实例，我们的方法展示了显著的效果。在可获得高泛化性能的场景中，它保持模型准确性同时显著改善不确定性度量。相反，在高泛化准确性较难实现时，它保持不确定度度量同时提高准确性。效果大小分析进一步表明，SPFP 算法通过有效的维度减少超过基准模型，降低了计算需求。大多数实验中观察到的显著效果大小强调了该算法在模型性能上的显著改进。

Jan, 2024

本文提出了一种基于图拉普拉斯矩阵谱相似性的新型图稀疏化方法，证明了任何图都有近乎线性大小的谱稀疏化，并给出了一个可在几乎线性时间内构建谱稀疏化的算法，该方法的关键组成部分之一是对具有强保证的近乎线性时间图划分算法的使用。

Aug, 2008

本研究提出一种新的框架用于构建空间划分，将问题转化为平衡图划分和监督分类，并结合 KaHIP 图分区器和神经网络，实现了一种新的分区过程称为神经局部敏感哈希（Neural LSH），实验证明 Neural LSH 的分区在标准最近邻搜索（NNS）基准测试中，始终优于基于量化和树的方法，以及经典的数据无关 LSH。

Jan, 2019

本篇文章提出了一种自适应分区方法，可应对大规模知识图谱中查询工作量变化的需求，通过动态适应知识图谱三元组的分区，可以提高查询处理时间的性能。

Mar, 2022