提出了一种在张量列车或矩阵积状态格式中进行动态张量逼近的稳健高效的时间积分器，可用于更新给定数据稀疏的张量列车／矩阵积状态格式中的时间相关张量并在该数据稀疏格式内计算高维度张量微分方程的近似解，讨论了所提出积分器的公式化、实现和理论特性，并包括了量子分子动力学和张量列车格式中的迭代过程的数值实验。
Jul, 2014
本文提出了一种适用于高维动态系统的近似高斯滤波和平滑方法，通过投影预测步骤中与 Lyapunov 方程相关联的低秩矩阵流形来推进低秩协方差矩阵的逼近，从而将算法的复杂度从 Kalman 滤波的立方降至最坏情况下的二次方、并且在满足一定条件下可达到线性复杂度， experiments 中表明该方法在均值和协方差误差方面的表现优于基于集合的方法，成本不增加。
Jun, 2023
本研究探讨了分布式低秩逼近，其中需要只隐含地跨不同服务器表示逼近的矩阵。研究表明，在宽泛的函数 f 类别中，可以高效计算一个低秩映射矩阵 P，以满足通信成本为 d∙(sk/ε)^O (1)，且算法成功概率高，并可将其用于计算入门型 softmax、Gaussian 核扩展以及 robust 低秩逼近等问题。
Jan, 2016
该论文介绍了一种算法，旨在通过将相应矩阵近似因式分解为少量稀疏因子，降低应用高维线性算子的复杂度，该方法依赖于近期非凸优化的进展，首先进行详细的解释和分析，然后在字典学习图像去噪和逆问题中展示实验效果。
Jun, 2015
通过矩阵分解和投影梯度下降算法解决约束最优化问题，提供了一种通用理论框架，当给定适当的初始化时，可以几何级数地收敛到具有统计意义的解，适用于许多具体模型。
Sep, 2015
本研究提出了一个新的模型以及应用交替最小化算法和两种自适应秩调整策略同时对低秩张量进行低秩矩阵分解，结果表明，该算法可以在比其他方法更少的数据采样下恢复各种合成低秩张量，而且实际数据的测试结果也有类似优势。
Dec, 2013
本文提出一种通过交替固定秩优化与秩一更新来解决低秩矩阵迹范数最小化问题的算法，针对具有理曼结构的非线性搜索空间，利用有效的因子分解实现了迹范数在搜索空间的可微以及对偶间隙的数值计算可行，提出了一个拥有保证二次收敛速度的二阶信任域算法，并以低秩矩阵完成和多元线性回归问题为例说明了该算法的性能。
Dec, 2011
快速、确定性 / 随机采样是拓展扩散模型类别的原则性框架，我们提出的补充性框架是共轭积分器和分裂积分器，经过广泛的实证和理论研究，在扩展空间中取得了最好的性能，应用于 CIFAR-10 的相空间朗之万扩散模型，我们的确定性和随机采样器在仅 100 次网络函数评估中获得了 FID 分数分别为 2.11 和 2.36，相比之下，最好的基线结果分别为 2.57 和 2.63。
Oct, 2023
采用 Riemannian 余维度流形上的优化几何方法及其梯度下降和信任区域算法，对学习大型固定秩非对称矩阵的线性回归模型进行了研究，推广了固定秩对称正定矩阵的一般结果，可用于机器学习算法的设计，数值实验表明，与现有算法竞争并提供了一种有效且灵活的算法，用于学习固定秩矩阵。
Sep, 2012
基于贝叶斯方法解决的逆问题，通常相对于先验只在参数空间的低维子空间上有信息。因此，可以利用该子空间对参数的后验分布进行近似计算。本文从近似后验协方差矩阵和后验均值两个角度，提出了两种快速的近似方法，并在多个应用案例中进行了验证。