先说这一篇： Low-Rank Doubly Stochastic Matrix Decomposition for Cluster Analysis
现有的算法受限于 nonnegative matrix factorization (NMF)，并且无法产生。 balanced partitions。
本文的算法：能够hold住large-scale manifold data sets（十万级）
但话又说回来了，这种算分关键是得 自己定制优化算法（即解一个目标函数，）这个一般人是hold不住的。
原理没那么难，就是先定义一个 cluster indicator matrix $\bar{F}\in{0,1}^{N\times r}$ ,然后构造 cluster incidence matrix $\bar{M}=\bar{F}\bar{F}^T$
如果我们有一个样本间的相似度矩阵 $S$,那么只要最小化一个divergence $D(S|\bar{M})$ 就行了。
这篇文章基于另一篇icml
2012： Clustering by Low-Rank Doubly Stochastic Matrix Decomposition
单我很难看出来icml 2012和这篇文章的关系。
这两篇文章的实验部分性能指标都是纯度（purity），没有图，只有表。