本文介绍了通过凸优化方法，将低秩矩阵从高维数据矩阵中恢复出来，该方法在数据被小的噪声和大的稀疏误差所干扰时，可达到一定稳定性和鲁棒性。
Jan, 2010
该研究旨在探讨在压缩感知和分解多个结构化信号的更一般问题中，使用凸优化方法恢复低秩和稀疏成分的性能分析，证明了该方法可采用均匀随机选取测量方式恢复低秩和稀疏项。
Feb, 2012
本文介绍了一种名为主成分追踪的凸型优化方法，能在有噪声或缺损情况下准确分离一个 $ m * n $ 数据矩阵的低秩和稀疏成分，该方法有望应用于视频监控和人脸识别等领域。
Dec, 2009
本文扩展了 Principal Component Pursuit (PCP) 方法，通过引入改进的权重参数，可以在 “几乎全部” 条目未知的情况下恢复受破坏的低秩矩阵，并通过随机生成的数据进行了模拟验证。
该研究探讨了如何从数据中学习到受离群点干扰的线性子空间，提出了一种名为双重主成分追踪（DPCP）的解决方法，并使用交替最小化和加权最小二乘法等算法来应对大规模数据。实验表明，该方法可以处理更多离群值和更高的相对维度，并且在计算机视觉等领域可作为传统 RANSAC 方法的有用甚至更优的替代方法。
Oct, 2015
该文介绍了一种名为 Outlier Pursuit 的基于凸优化的算法，该算法使用矩阵分解来恢复未损坏矩阵的正确列空间，并确定损坏的点。此算法在基因组学和金融应用中具有重要意义。
Oct, 2010
本文提出了一种名为 Coherence Pursuit 的算法，用于从数据中检测和去除异常值，并得到主成分的低维子空间，该算法能快速计算并在不同模型的数据集中得到优异表现的同时，具有非迭代、可证明牢靠性和容忍大量非结构化异常值等特点。
Sep, 2016
本文提出了一种稳定主成分追踪的新凸优化形式以将噪声信号分解为低秩和稀疏表示，首先通过凸变分框架发展了一种数值解，并通过拟牛顿法加速解法，实验结果表明该方法在可扩展性和实际参数选择方面优于传统的稳定主成分追踪形式。
Jun, 2014
本文针对计算机视觉中的主成分分析问题，提出了一种递归算法，解决了异常值和数据噪声等问题，大幅提高算法的稳健性和准确性。
Feb, 2011
本文研究递归鲁棒主成分分析问题，通过提出的基于低维子空间的 Recursive Projected CS 方法及其简化版，在已知 $L_t$ 的子空间改变模型并对其谐波的假设下，能高概率恢复时间序列的稀疏向量 $S_t$ 及密集噪声 $L_t$，并应用于视频监控等领域。
Dec, 2013