- 连续多维尺度缩放
多维缩放（MDS）是将与一组 n 个对象相关的接近信息嵌入到 d 维欧氏空间中的行为。我们提出了一种重新制定 MDS 的方法，并得出了一些结果。
- ACL加性宣言分解：一种政策领域感知的理解政党定位的方法
该研究提出一种基于自动标签定义政策领域、计算领域级别相似性、提取可解释的政治轴上党派位置的方法，实现了政策领域感知的党派相似性计算。作者在对德国联邦选举的选举纲领数据上进行实证分析表明，该方法不仅在全局层面预测党派相似性时具有高相关性，而且 - 多维度缩放、Sammon 映射和 Isomap：教程与综述
本文介绍了多维尺度变换（MDS）及其不同类型、Sammon 映射、Isomap 等算法，以及使用特征函数和核映射等方法处理大数据的 out-of-sample MDS 和 Isomap 嵌入，并着重介绍了 Nystrom 近似及其在地标 M - DIMAL：基于稀疏测地抽样的深度等距流形学习
本文探讨一种完全无监督的深度学习方法，用于计算保持低维嵌入的等度量映射，通过 Siamese 配置来训练神经网络以解决多维最小二乘尺度问题。
- 子空间最小二乘多维缩放
本文介绍了一种基于最小二乘 (LS-MDS) 的多维缩放方法，并将其置于频谱域中进行了分析，得出了距离缩放的多重分辨率属性，从而加速了优化过程并实现了良好的嵌入效果。
- CVPR基于经典缩放的流形距离矩阵高效稀疏表示
本文提出了一种利用双调和插值有效地表示测地距离矩阵的稀疏方法，用于在大数据点集上进行多维缩放分析，相比目前领先的方法，该方法运行速度更快，占用内存更少，可使先前不可行的大数据点集的分析成为可能。
- 随机多维缩放
本文介绍了一个新颖的线性复杂度的随机优化算法，可用于多维缩放（MDS）的随机压力最小化框架，可递增、分布式求解，应用于定位和可视化任务，并在合成和真实数据集上进行了广泛测试。
- 将图嵌入罗伦兹时空
该研究提供了一种将有向无环图嵌入到闵可夫斯基时空中的方法，使用了多维标度（MDS）技术进行几何分析，并探讨了在引用网络分析中的应用， 如论文推荐和识别缺失引用。
- 一个基于 Hebbian /Anti-Hebbian 神经网络的线性子空间学习模型：从流数据多维缩放推导
本文介绍了一种基于局部学习规则的生物学本质上可行的反馈神经网络，该网络利用多维缩放代价函数学习流数据的主要子空间，从而实现神经计算的算法化理论。
- 频谱广义多维尺度缩放
该研究提出了一种基于表面的谱广义多维尺度映射 (Spectral-GMDS) 方法，用于计算两个度量空间之间的映射关系，该方法在解决问题时隐含地将映射的平滑性纳入，从而实现了高效的嵌入，并在实验中取得了很好的效果。
- Poincare 圆盘上的多维缩放
本文提出了一种基于 Poincare disk（PD）的超几何平面的度量多维缩放（PD-MDS）算法，通过基于初等的超几何线搜索而非黑盒优化器的构建方法，在超几何空间模型中解决了多方面的问题。
- 基于文献计量学的两个技术的比较：多维尺度和 VOS
本研究比较了使用多维缩放和 VOS 两种技术构建文献计量地图，理论和实验分析得出 VOS 比多维缩放更能更准确地显示数据集。