块张量展开
在这篇文章中，我们提出了一种高效的变分贝叶斯概率 BTD 方法，利用 von-Mises Fisher 矩阵分布对多线性 Tucker 部分在 BTD 中施加正交性，通过合成和两个真实数据集的实验，我们突出了贝叶斯推断过程，并演示了在噪声数据和模型顺序量化中使用所提出的 pBTD 的能力，我们发现概率 BTD 能够量化适用的多线性结构，为多线性数据中模式的鲁棒推断提供了一种方法。
Oct, 2023
该研究着眼于多模态表征学习中的问题，提出一种基于块超对角张量分解的多模态融合模型 BLOCK，该模型比传统双线性模型具有更好的表达能力和效率，在视觉问答等任务中表现出了优异的结果。
Jan, 2019
矩阵的高维拓展 —— 张量 (tensor) 已在信号处理、数据挖掘和机器学习等领域得到广泛应用，本文旨在为那些想要了解和深入研究张量的研究人员和从业人员提供起点，它包括了基础与应用，如张量秩和分解、基本的张量分解模型及其关系和性质、性能分析、以及一系列的应用。
Jul, 2016
本文将全面介绍张量（Tensors）的概念和分解方法，并探讨它们在机器学习中的应用，特别是在无监督学习和多关系数据分析等领域的优越性，同时结合实例研究了张量估计混合模型的基本方法，并提供了相关软件类库的参考。
Nov, 2017
本文综述了算法展开在信号与图像处理中的应用，特别是在深度神经网络中实现了可解释的网络结构，为未来的发展提供了可能性，并探讨了未来的研究方向。
Dec, 2019
此篇论文介绍了一种新的 tensor-tensor 乘积方法 —— 基于带有反射边界条件的块卷积，同时提出了一种基于该乘积的任意阶 tensor 的分解方式，与 t-SVD 相比，新的分解具有更低的复杂度且在分类和压缩等应用中获得更高质量的结果。
Aug, 2023
本研究论文旨在开发一种能够将张量表示为有限数量低秩张量之和的精确张量分解的数学框架，通过解决三个不同的问题来导出：i）非负自伴随张量算子的分解；ii）线性张量变换的分解；iii）一般张量的分解。
Sep, 2023
本文从信号处理角度提供了关于高阶张量分解的全面介绍，包括基本的 CP 和 Tucker 模型，通过多种数据处理方法提供更加灵活和自然的潜在因素；研究表明张量分解可用作现代信号处理、数据分析和机器学习应用的最有效和最有前途的工具。
Mar, 2014