研究基于随机数据点邻域图的聚类算法，探讨构建何种邻域图以获得最优聚类结果，以及该选用何种邻域图和最优参数 k 的疑问，并使用随机几何图理论技术证明在一个无噪声或嘈杂设置中，可以成功识别聚类的概率。

Dec, 2009

该论文提出了一种改进的 K 近邻分类器，它可以自适应地为每个查询选择 K，该选择取决于每个邻域的属性，因此可能在不同点之间显着变化，并且可以利用条件概率推导推导出一些收敛界限。

May, 2019

基于图的 kNN 算法在机器学习任务中广受欢迎，然而传统的 kNN 图在性能上存在困难，特别是在涉及复杂数据分布的情况下。为了解决这些问题，我们提出了偏好附加 k - 最近邻图（paNNG），其结合了自适应 kNN 和基于分布的图构建。通过融合分布信息，paNNG 能够大幅提高模糊样本的性能，并将其拉回原始类别，从而提高整体准确性和泛化能力。通过对多种基准数据集的严格评估，paNNG 胜过了最先进的算法，展示了它在各种实际场景中的适应性和效能。

Aug, 2023

通过统计分析，我们揭示了 k-NN 图的某些子图如何构成底层点分布簇树的一致估计量，并通过慎重选择聚类树的剪枝方式，旨在同时保证删除所有虚假的簇结构并恢复显著的簇，从而在聚类领域得到了首个有限样本的结果。

May, 2011

研究了利用自然信号的自相似性进行非局部方法，提出了一种对 KNN 选择规则进行连续确定性松弛的方法，即通过温度参数逐渐接近零将原始 KNN 保持为极限，利用提出的神经最近邻块 (N3 块) 用于现代神经网络建筑中，并展示了其在图像恢复等任务中的有效性。

Oct, 2018

本文提出了一种简单的，能够使权重最优化的局部加权回归 / 分类方法，并能够为需要估计值的每个数据点高效地找到权重和最优化的邻居数量，从而在多个数据集上展示了比标准局部加权方法更优异的性能表现。

Jan, 2017

本文提出了一种在精简边界的 $k$-nearest neighbor graph 中基于局部统计的数据代表子集的近似谱聚类算法的方法，以提高其计算效率，且在人工合成的测试数据集和真实数据集中实验表明与常规方法相比较，该方法具有性能一致性和较少边界数量的特点。

Feb, 2023

本文提出一种具有线性对数级的复杂度的图学习算法，并使用已知的最近邻技术来减少变量数目和自动选择模型的正确参数，从而减少计算成本。

Oct, 2017

该研究提出了一种新型的自适应核图神经网络框架（AKGNN），通过设计一种数据驱动的图内核学习机制来解决预定义核对于不同图之间间的泛化问题，同时通过参数化技巧和全局输出函数增强其表达能力，该方法在公认的基准数据集上展示了优异的性能表现。

Dec, 2021

提出了一种利用全连接神经网络模型和支点来快速准确地估计查询的 k-NN 距离的机器学习技术。实验结果表明，该方法在大数据挖掘和近距离数据分析方面具有高效和有效的优势。

Aug, 2022