任务驱动的字典学习
本文提出了一种新的稀疏表示模型，该模型采用共享字典和多个类别判定函数来描述不同类别的信号，并提出了学习该模型所有组件的优化方法，进一步提高了手写数字和纹理分类任务的准确性。
Sep, 2008
本文提出一种基于联合稀疏性约束的多模态任务驱动字典学习算法，以协作多个同质 / 异质信息源，可以学习出多模态词典以及相应的分类器，并在多种应用中具有较高的分类性能和更高的计算效率。
Feb, 2015
本文研究了在多任务和迁移学习中使用稀疏编码和字典学习，通过对高维或无限维空间中的字典的原子的稀疏线性组合进行假设，以及多任务和迁移学习设置中大量可用的数据，我们提供了该方法的泛化误差上限，并在一个合成和两个真实数据集上进行了数值实验。实验表明相对于单任务学习和以正交和密集表示任务的先前方法以及相关方法来说我们的方法具有优势。
Sep, 2012
本篇论文采用概率模型，证明了采用稀疏编码时在字典生成的参考信号附近可以找到局部极小值，同时考虑过完备字典、噪声信号和可能出现的异常值，这一分析是非渐近的，可以帮助理解信号维度、原子数量、稀疏度和观察次数等关键问题如相干性或噪声级别的比例关系。
Jul, 2014
本文主要介绍了一种新的基于随机逼近的在线优化算法，用于解决以学习基础集合和将其适应特定数据为主的大规模矩阵分解问题，其在各种矩阵分解方面有良好的表现，并在自然图像和基因数据上进行的实验中具有速度和优化方面的先进性能。
Aug, 2009
该论文探讨了字典学习问题的局部解决方案，基于随机稀疏模型，通过低秩矩阵补全问题的工具，克服了一些技术上的难点，并建立了当样本数满足某些条件时，字典和系数的组合可以成为 L1 范数的局部最优解这一结果。
Jan, 2011
本文研究基于稀疏性的模型和技术在信号处理和图像应用中的应用，提出了针对特定结构的稀疏化运算符学习问题的交替最小化算法，并对其收敛性进行了分析，证明了在某些假设下，该算法收敛于数据的基础稀疏化模型。同时，数值模拟表明该算法对初始值具有较强的鲁棒性。
May, 2018
字典学习方法在解决复杂的反问题方面不断受到关注。本文提出了一种工作流程来简化字典匹配过程，通过压缩字典和利用贝叶斯框架处理建模误差，以及使用组稀疏编码方法来识别不相关的子字典，然后通过稀疏编码解决匹配问题。证明了字典压缩误差的补偿和使用组稀疏编码方法对原始字典进行缩小的有效性，通过应用到 LIGO 实验和高光谱遥感中的故障检测问题来进行说明。
Sep, 2023