研究采用缩略图替代数据矩阵来加速 k - 均值聚类和约束 k - 秩近似问题的精确、近似或启发式算法，并提供降维和草图技术及近似算法来解决这些普遍问题。

Oct, 2014

本文总结了基于随机投影的不同方法的使用情况，旨在帮助实践者为其特定应用选择合适的技术，并列举了各种方法的优缺点，并为研究人员提供进一步的参考，以开发新的基于随机投影的方法。

Jun, 2017

本文提出了 ProbDR 变分框架，将许多经典的降维算法视为该框架下的概率推断算法。我们的框架利用低维潜变量构建协方差矩阵、精度矩阵或图拉普拉斯矩阵，这些矩阵可作为数据生成模型的一部分。利用此框架，我们可以更容易地处理未见数据，并且得到较为准确的高斯过程似然估计结果。

Apr, 2023

本研究提出了一种名为主 Stiefel 坐标（PSC）的算法，可将数据的维度从高维 Stiefel 流形降至低维 Stiefel 坐标，通过梯度下降最小化数据拟合误差，并通过连续和 O (k)- 同差映射对数据进行投影，从而在噪声情况下获得比主成分分析更优的结果。

Sep, 2023

本文研究将输入点集 $X$ 投影到随机 $d=O (d_X)$ 维子空间（其中 $d_X$ 是 $X$ 的双倍维数）的随机降维应用到聚类问题中，主要探讨了设施选址问题和单链接层次聚类问题。研究表明，这种方法在维度映射到一定程度时，可以达到在原始空间中找到的最优的设施选址近似值，同时这种方法还可以用于解决最小生成树等问题。

Jul, 2021

本研究探讨了标准的 PCA 降维技术是否会无意中为两个不同人群产生不同的数据表示，提出了公平 PCA 的概念，并给出了一个多项式时间算法来找到数据的低维度表示，最终在真实世界的数据集上证明了该算法可以用于有效生成公平的低维表示。

Oct, 2018

该论文研究了使用降维技术来提高 $k$-means 聚类算法的效率和精度，通过使用随机矩阵对多维数据进行投影，并经过大量实验验证了该方法的准确性。

Nov, 2010

我们提出了一种稳定的欧几里德不变描绘方法，并通过计算输入的 MDS 差异矩阵，应用刚性变换和多个实现，确保变换不变并整合 OOSP，验证了我们的方法在达到一致的 LDS 表示方面的有效性。

Aug, 2023

本文提出一种新的充分降维 (SDR) 的方法，该方法以协变量 $X$ 与响应 $Y$ 的条件独立性为基础，并以再生核希尔伯特空间上的条件协方差算子来表征该条件独立性断言，从而实现了对中心子空间的 $M$- 估计。

Aug, 2009

本论文提出了一种新的降维算法，基于理论可以保持数据从独立子空间联合采样的独立假设，通过实验证明其与流行的降维技术相比，能够实现最先进的效果。

Dec, 2014