本文提出了一种快速随机奇异值阈值方法，称为快速随机 SVT，可以用于解决与 NNM 或 WNNM 相关的问题，在各种计算机视觉问题中获得了高效和精确的结果。

Sep, 2015

利用核范数正则化寻找结构化低秩矩阵的问题，我们采用线性映射来编码结构，并提出了一种更有效的方法，与同类方法相比，该方法在迭代次数和计算成本上都有所改善，并在随机系统实现和光谱压缩感知问题中表现出色。

Sep, 2015

本研究提出了一种基于亚梯度方法和快速增量 SVD 更新的矩阵优化模型，通过使用高效的并行线性代数操作，执行廉价迭代，保持低秩因子分解迭代，因此在矩阵完成设置中生成预测时非常有效。

Jun, 2012

本研究提出了一种更灵活的模型，称为加权 Schatten p - 范数最小化，用于恢复低秩矩阵。该模型不仅提供了更好的低秩矩阵逼近，并且考虑了不同秩分量的重要性。使用加权 Schatten p - 范数最小化在低级视觉问题（如图像去噪和背景减法）方面，相对于现有方法，可以更有效地去除噪声，对复杂和动态场景进行建模。

Dec, 2015

本文介绍一种 “softImpute” 算法，将 matrix-completion 问题的两种流行的方法：核范数规则化矩阵逼近和最大间隔矩阵分解结合，且在大矩阵逼近和补全方面表现更好。

Oct, 2014

该研究考虑了平滑函数和矩阵的 Schatten-p 范数之和的最小化问题，并提出了用于解决非凸低秩最小化问题的加速迭代重新加权核范数方法，其主要创新包括具有秩识别特性的方法和自适应更新策略，通过快速将参数驱动为零，将算法转化为能有效解决平滑问题的算法。

Jun, 2024

介绍了一些进行部分奇异值分解计算的软件包，其中包括优化 PROPACK、修改的 PROPACK，用于计算高于某个阈值的奇异值和相应的奇异向量，以及带热启动的块 Lanczos 方法。

Aug, 2011

本文介绍了针对 MATLAB 的基于随机化方法的低秩逼近算法，通过多个测试发现这些算法在准确性、速度和内存使用、易用性、可并行性和可靠性等方面都优于或至少与经典方法相当，但对于估计谱范数和计算最小奇异值及对应的奇异向量依然有待提高。

Dec, 2014

本文提出了一种新的、简单的 LazySVD 框架，用于改善现有的 k-SVD 算法，该框架具有更快的无缝收敛方法，能够优于现有的算法，并且是第一个优于随机方法的算法，同时还能够在某些参数范围内优于早期的基于交替最小化的方法。

Jul, 2016

本文提出了固定点迭代算法和 Bregman 迭代算法来解决核范数最小化的问题，并证明了前者的收敛性。通过使用同伦方法和近似奇异值分解过程，我们得到了一个非常快速，鲁棒和强大的算法，称为 FPCA（具有近似 SVD 的固定点连续化），它可以解决非常大的矩阵秩最小化问题。在随机生成和真实矩阵完成问题方面的数值结果表明，这个算法比如 SDPT3 等半定规划求解器更快，且能提供更好的恢复性能。在在线推荐，DNA 微阵列数据集和图像修复问题上的数值实验证明了我们算法的有效性。

May, 2009