新距离度量View distance：将样本投影到二维平面求和，把K-Means距离计算复杂度从O(n²)降到O(k)
受正投影启发，View distance将所有特征两两投影到二维平面并累加欧氏距离，理论证明满足度量公理，在12个数据集上性能优于或持平欧氏距离与Lp度量，且能抑制冗余特征干扰。
AI解读：这篇论文要解决的是一个老问题：K-Means聚类用的欧氏距离只算样本点之间的直线距离，一旦数据里有冗余特征、各方向尺度不均或者特征之间互相影响，聚类效果就会明显变差。作者提出的View distance思路很直观——把高维样本像正投影一样，拆到所有两两特征组成的二维平面上，再把每个平面上的欧氏距离加起来，就等于让所有特征都参与计算，还能自动削弱冗余维度的干扰。对算法工程师来说，真正改变成本的是后半部分：全投影版计算复杂度是O(n²)，论文配了一个基于迭代最大权匹配的平面选择策略，把单次距离计算降到O(k)，在12个数据集上效果仍然不输欧氏距离和其他Lp距离，意味着大规模高维聚类不必为了速度牺牲判别力。要注意的是，目前这还只是arXiv预印本，没有业界落地案例，复杂度分析也只是理论值，实际提速取决于k的选取和数据集维度；如果手头数据明显存在冗余特征或各向异性结构，可以复现论文代码做对比测试，否则普通项目不必急于切换。
arXiv机器学习论文提出一种新的距离度量View distance，通过把样本空间投影到多个二维平面再累加欧氏距离，改进K-Means聚类在数据存在各向异性结构、冗余特征或复杂特征交互时的有效性。论文理论推导证明View distance严格满足度量公理和范数约束，并提出了基于迭代最大权匹配的二维投影平面选择策略，将距离计算复杂度从O(n²)降至O(k)。
论文由Yiqun Zhang和Hou-biao Li撰写，题为“Anisotropic View Distance Metric for High-Dimensional Data: Theory, Geometry, and Fast Computation”，2022年6月10日首次提交至arXiv，2026年9月3日更新第二版。依据来源仅提供摘要，以下内容均来自论文摘要。
摘要指出，欧氏距离虽然高效且可解释，但在样本空间具有各向异性结构、冗余特征或复杂特征交互时，其有效性可能下降。
View distance受正投影思想启发，将样本空间投影到n(n-1)/2个二维平面上，最终距离定义为各投影平面上欧氏距离之和。摘要称，该度量通过投影实现特征耦合，既能令常数特征间接参与距离计算，也能抑制冗余特征干扰，同时展现出各向异性的几何性质。
针对全投影View distance计算复杂度和可扩展性不佳的问题，论文提出基于迭代最大权匹配的二维投影平面选择策略，将距离计算复杂度从O(n²)降至O(k)。
摘要称，在12个不同数据集上的大量实验表明，View distance及其确定性选择策略相比欧氏距离和其他Lp度量，性能具有竞争力或更优，同时保持较强的可解释性和计算效率。