本文提出了一种叫做 LargeVis 的技术，旨在解决将大规模和高维数据可视化在低维空间的问题。与t-SNE相比，LargeVis 构建精确近似的 K 最近邻图的计算成本更低，并采用了一个原则上的概率模型来进行可视化，整个过程易于扩展到数百万个高维数据点。实验结果表明，LargeVis 在效率和效果方面均优于现有的先进方法。

Feb, 2016

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

我们展示了经常使用的降维方法，如t-SNE和LargeVis，不能很好地捕捉低维度嵌入中数据的全局结构，并提出了一种名为TriMap的新方法，使用三元组信息来捕获更高级别的结构，通过实验证明 TriMap DR结果具有明显的优势。

Mar, 2018

本文旨在深入探讨降维方法中保留局部和全局结构的重要性，针对保留局部结构提出了一些新的设计原则，并发掘出保留哪些部分对于保持全局结构的重要性，在此基础上提出一种新的降维算法PaCMAP，该算法同时保留了局部和全局结构，并为构建降维算法时提供了一些出乎意料的设计选择报告。

Dec, 2020

提出了一种基于层次结构的1-最近邻图的新方法，可以在保留数据分布多个级别的分组属性的同时，实现具有可解释机制、可视化品质高、运行速度快且可用于多种场景的非监督降维技术，并在不同规模、不同维度的多个数据集上进行了性能比较。

Mar, 2022

本文提出了通过谱方法评估和组合由多个算法产生的数据集的多个可视化的有效方法，并提高了捕捉底层真实数据结构的质量。

Oct, 2022

该研究提出了一种新型投影技术 ShaRP，它能够帮助用户在高维数据的可视化中更好地掌控投影形状，以满足交互式可视化场景的需求，并且在保证数据质量的同时，也能够很好地应对高维度和大规模数据集。

Jun, 2023

我们提出了一种新的方法，用于生成信息丰富的嵌入，该方法不仅消除了与不同类型先验知识相关的结构，还旨在揭示任何剩余的基本结构，通过采用两个目标的线性组合：首先是对先验信息相关结构进行折扣的对比主成分分析 (contrastive PCA)，其次是通过峰度投影追求 (kurtosis projection pursuit) 确保得到的嵌入中存在有意义的数据分离，并将此任务形式化为流形优化问题，并在考虑三种不同类型的先验知识的各种数据集上进行了经验验证，最后，我们提供了一个自动化框架，用于对高维数据进行迭代的视觉探索。

Sep, 2023

通过使用DiffRed技术，我们可以将多维数据集映射到低维空间，并获得比常用降维技术更低的扭曲度和应力值。

Mar, 2024

介绍了一种基于聚类的降维方法CBMAP，旨在同时保留全局和局部结构，提供速度、可扩展性和对超参数依赖较小的解决方案，满足机器学习应用中对测试数据的低维投影的需求。

Apr, 2024