本文提出了一种称为低秩机制（LRM）的新型隐私保护技术，通过对工作量矩阵进行低秩逼近来回答批量查询，可以实现高精度的处理结果，同时保证数据隐私。与现有技术相比，LRM 在实际中具有较高的精度。

Aug, 2012

本文介绍了一种自适应采样算法，可以高效地完成低秩近似和矩阵填充任务，并且消除了之前文献中存在的某些限制性假设，具有更好的采样复杂度。

Jul, 2014

本文提出了一种特定偏向分布的采样方式，利用该采样方式可以从少量采样的数据中精确恢复任何秩为 r 的 nxn 的矩阵（无需满足之前已有的结构限制要求），而且在没有先验信息下本文建立了三种使用该采样方式的方法，其中还包括分析了针对非均匀采样情形中，加权核范数 / 迹范数惩罚的优点。

Jun, 2013

研究低秩矩阵和张量完成，提出了采用自适应抽样方案的新算法，它们具有强大的性能保证，并能够恢复具有噪声干扰的低秩矩阵。

Apr, 2013

本文介绍了一种用于构建随机算法的模块化框架，以进行矩阵分解，通过随机抽样识别矩阵的大部分内容，并将输入矩阵压缩到子空间，这种方法在精度、速度和鲁棒性方面都比传统方法更具优势，能够更好地解决大数据集合的问题。

Sep, 2009

本文提出一种用于从受损数据修复秩为一矩阵的算法，特别针对带有任意大干扰的众包数据分类问题，通过交替最小化与极值过滤相结合，本文提供了充分必要的条件，可以在明确哪些信息受到损坏的情况下进行完美修复，并且在 “对抗” 情景下击败了所有现有算法。

Oct, 2020

本文提供了两种不同的音量模型下的算法，能够克服实践中存在的鸡兔同笼且带有噪音的矩阵完形填空问题，并给出了小样本复杂度。实验表明，提出的算法在合成和现实世界中的数据集下均表现出色。

Dec, 2016

本文研究了在正定核框架下的监督学习问题，提出了基于随机矩阵列采样的核矩阵低秩近似方法，此方法可以在 sub-quadratic 的时间复杂度内有效解决核矩阵计算问题，同时保持预测性能不变。

Aug, 2012

我们提供了一个解决低秩矩阵完成问题的新框架，通过聚合涉及观测的回归问题的解来将矩阵 M 完成，并改进了之前已知的算法的样本复杂度和运行时间。

Aug, 2023

本文围绕低秩矩阵重构问题，重点研究在观测样本受噪声污染时的矩阵填充问题，比较了 OptSpace、ADMIRA 和 FPCA 三种最新的填充算法在单一模拟平台上的性能，并给出了数值结果。实验表明，这些优秀的算法可以用于准确重构实际数据矩阵和随机生成的矩阵。

Oct, 2009