您可以将每个向量视为线性空间中的一个点。因此，我们可以使用简单的四叉树/八叉树算法将您的点映射到盒子中，将“附近”向量分配给相同或相邻的盒子。和$n$总向量向量到框映射成本$\mathcal{O} (n\log n)$，一旦完成，您可以选择$m$框并选择最接近框质心的向量以获得您的“多样化”向量集。

听起来您想在数据密集的地方精简数据，并了解数据点汇总的数据的支持。如果你没有太多的点，你可以生成一个距离矩阵，并用最近的邻居修剪这些点。（我不认为这种方法有名字。）

否则，如果您试图找到极值点，那么原型分析可能是一个更好的方向。

将集群中心初始化为您的子集$V\in X$， 在哪里$V=\{x_i\}$. 然后运行几个 K-mediods 迭代。之后，您会看到某些向量会更接近，本质上是试图表示相似的峰值。然后可以合并它们。

另一种方法是mean-shift algorithm，其中模式正在更新（我认为你想找到模式）。您从过度聚类和最能代表模式的动态数量的聚类（已发现）开始。对于像您这样的离散数据，确实存在中间体变化。

在聚类方向上的另一种选择可能是 k-Maxoids 聚类：

• https://pdfs.semanticscholar.org/8606/8216d21cb43403f8fb1fbfae4ca49d06f8dc.pdf
• http://ceur-ws.org/Vol-1670/paper-65.pdf

另一个答案可能是（增长的）神经毒气。