统计中一个非常简单，非常快速的方法是使用随机线性投影。这些可以帮助您非常快速地确定群集和邻居。有了更多的预测，您将获得更高的准确性（我相信可以解决有关错误的问题）。
本文对几种方法进行了广泛的定量分析，包括与RLP相关的新方法（DPES）。
本文论述了RLP的使用，包括即使在
移动点 的情况下也可以保持距离。
本文介绍了用于运动计划的RLP，并详细介绍了几种启发式方法。
RLP方法是：
- 非常快
- 导致近似值可调整，以提高准确性和速度
- 保持距离和角度（可证明）
- 轻松缩放到大尺寸和大数量的对象
- 有助于减少尺寸
- 导致紧凑的投影（例如，可以投影到分层的二进制分区中）
- 灵活：您可以投射到任何您认为对自己有利的空间中-通常为R ^ d，但也可以投射到2 ^ d（即d维的二进制空间）中，仅在给定＃精度降低的情况下的投影。
- 统计上有趣
嵌入到较低维度的空间后，邻居计算非常容易，因为在相同区域中合并的投影（如果将投影合并到网格中）很可能在原始空间中接近。
尽管原始数据的维数很小（甚至10个都很小），但是快速投影到预选网格中的能力对于识别和计数邻居非常有用。
最后，您只需要更新其位置（或相对位置，如果要居中和缩放数据）已更改的那些对象即可。
对于相关作品，请查看Johnson-Lindenstrauss引理。
