Badacze zaproponowali dwa podejścia do przyspieszenia spectral co-clusteringu macierzy słów-dokumentów przy użyciu randomizowanych aproksymacji SVD zamiast pełnego rozkładu. Problem ze standardowymi metodami spectral co-clusteringu polega na tym, że ich złożoność obliczeniowa rośnie z dimensjonalnością danych - dla naprawdę dużych kolekcji tekstowych obliczenie pełnego SVD jest zatem prohibitywnie drogie.
Pierwsza zaproponowana metoda opiera się na randomized SVD z random projection, natomiast druga łączy partial SVD z element-wise random sampling. Oba podejścia testowano na rzeczywistych i syntetycznych zbiorach danych, mierząc zarówno czas wykonania jak i jakość odzyskanej struktury klastrów. Wyniki pokazały, że oba algorytmy istotnie zmniejszają runtime w stosunku do bazowego podejścia z pełnym SVD, ale ich względna wydajność zależy od struktury wejściowych danych.
Random projection okazał się bardziej niezawodnym przybliżeniem w testowanych scenariuszach, natomiast metoda sampling-based przyniosła największe korzyści na gęstszych macierzach i oferowała ograniczone benefity dla już rzadkich danych tekstowych. Praktycznym wnioskiem jest to, że dobór randomizowanego algorytmu powinien być dostosowany do konkretnych cech danych - dla rzadkich tekstów lepiej sprawdzi się random projection, podczas gdy gęstsze macierze mogą skorzystać ze sampling-based approach.