通过将线性 k - 均值聚类应用于使用称为等级限制的 Nyström 近似构造的 {k/epsilon}(1+o (1)) 特征，本文分析了该范例应用于核 k - 均值聚类，并表明相对于不使用 Nyström 方法提供的保证，计算出的群集分配会满足相对于核 k-means 成本函数的 1+epsilon 逼近度。

Jun, 2017

该论文提出了一种基于线性时间算法的方法来精确近似统计杠杆分数，以选取代表性的子样本，运用于 Nyström 近似中，以提高预测准确性和减少计算成本。

Mar, 2021

通过基于随机化 K-means 算法的优化 Nystrom 方法，本文提出了一种能适用于大规模数据集的低秩近似计算算法，使得在高维数据集上能够以较小的准确性损失实现更高的计算效率。

Dec, 2016

本文首次提出一种核 Nystr"om 逼近算法，它在所有核矩阵中都具有可证明的准确性，且其运行时间与训练点数成线性关系，并利用快速递归采样方案，实现了基于支撑点的快速采样，相较于常用技术如均匀采样 Nystr"om 逼近和随机 Fourier 特征方法，找到更精确、低秩的核逼近方法的速度更快。

May, 2016

本文研究使用 Nyström 类型子采样方法进行大规模核方法，并在统计学习框架下证明学习界限，并且实验证明该方法在基准大规模数据集上表现出色。

Jul, 2015

该研究提出了一种针对分类的监督式 Nyström 方法，通过负边际标准选择向量，创造出适用于数据分类的显式特征映射。实验表明，该方法能够显著提高分类性能，同时减少所需特征数量。

May, 2018

本文提出了一个基于分布式凸优化和随机化的算法框架和高性能实现，以实现基于核方法的统计模型的海量规模训练，以便有效地利用大数据。

Sep, 2014

本文提出了一个基于层次划分的新型核函数，可以减轻用于核方法的大规模非参数学习的计算复杂度并且在实验中提高了表现。

Aug, 2016

本文研究了分布式块坐标下降算法在解决内核回归和分类问题上的效率，通过三个大的分类任务比较了完全内核方法、Nyström 方法和随机特征法的结果，结果表明，Nyström 方法通常比随机特征法具有更好的统计精度，但可能需要更多的优化迭代。最后，我们针对内核方法推导出新的块坐标下降率，支持了我们的实验发现。

Feb, 2016

通过基于随机投影导出的特征近似核函数，提出了有效地克服核方法计算复杂度的方法，并在图像识别和语音识别等大规模学习问题上成功地比较了核方法和深度神经网络的性能，同时克服了模型调节的困难。

Nov, 2014