利用核函数的奇技淫巧在嵌入空间下将多流形建模问题转化为混合线性建模问题，并提出了一种名为 Kernel Spectral Curvature Clustering 的算法，能够通过光谱聚类方法从多方面的相似性中将多种动作区分开来。

Sep, 2009

基于地标扩散和最优收缩的高维噪声和紧凑流形环境下的高效流形去噪算法，能够灵活处理多种设置，并提供了与其他现有算法在模拟和真实数据集上的系统比较。

Jan, 2024

本文通过对核谱聚类方法进行首次分析，发现在维度和数量同时增长的情况下，核矩阵的归一化拉普拉斯矩阵与所谓的尖峰随机矩阵呈类似的渐近行为。通过一种如尖峰矩阵模型的可分离条件，证明该模型中的一些孤立特征值 - 特征向量对携带聚类信息。我们精确评估了这些特征值的位置和特征向量内容，在理论和实践角度揭示了核谱聚类中非常重要（有时相当破坏性）的方面。最后将结果与 MNIST 数据库中图像实际聚类的性能进行比较，证明了理论和实践之间的重要匹配。

Oct, 2015

为解决相似性测量困难及非线性相似性未被充分考虑等问题，在核空间中提出一种模型，同时学习聚类指示器矩阵和相似度信息，并通过多核学习能力进一步扩展模型以选择最合适的内核。该模型可自动完成三个子任务以获得最佳聚类解决方案。

May, 2017

本文介绍了一种基于核的高效多线性非参数逼近框架，应用于动态磁共振成像（dMRI）的数据回归和插值。该多线性模型具有降维、高效计算和提取数据模式和几何形状等特点，在严重欠采样的 dMRI 数据测试中较之以往的方法，包括流行的数据建模方法及最近的张量和深度图像先验方案，均表现出了显著的效率和准确性的提升。

Apr, 2023

本文提出了一种联合学习框架，通过使用双自编码器网络将输入嵌入到潜在空间中，利用相互信息估计从输入中提供更具区分性的信息，并应用深度谱聚类方法将潜在表示嵌入到特征空间中并聚类，证明该方法在基准数据集上显著优于现有的聚类方法。

Apr, 2019

本文将贝叶斯方法扩展到异质时间序列数据的可解释核嵌入，其可用于聚类、模式识别和异常检测等，相较于以往的关系核学习方法，具有更强的实用性。

Aug, 2019

本研究提出了一种新颖的多视图子空间聚类方法，其中采用了 Enriched Robust Multi-View Kernel Subspace Clustering 框架，结合多视角数据和谱聚类学习一致性亲和矩阵，解决了现有方法采用两阶段框架以及假设域数据均为线性子空间的问题。实验证明，该方法表现优于现有的聚类方法。

May, 2022

介绍了一种名为 KEMA 的核方法用于流形对齐和领域调适，具有多种有趣的属性，且在合成例子、物体识别和人脸表情识别任务中表现出了良好的性能。

Apr, 2015

该论文介绍了一种新的方法 —— 联合多维标度，它可以将来自两个不同领域的数据集映射到一个低维欧几里得空间中，同时只需要每个数据集内部的成对不相似性作为输入，并展示了其在联合可视化、异质领域自适应、图形匹配和蛋白质结构对齐等多个应用中的有效性。

Jul, 2022