本文提出了一种基于谱技巧和‘镜像’技巧的简单方法，用于解决由 k 个线性分类器组成的回归函数的判别学习问题，并证明了该方法在特征向量分布服从概率假设下具有近乎最优的统计效率。

Nov, 2013

本文介绍了使用核方法进行多视图潜变量模型学习的理论。方法利用复现核希尔伯特空间嵌入多视图潜变量的联合分布，并提出了一种有效的张量幂法来恢复潜变量参数。实验结果展示了该非参数模型在多个方面都优于现有光谱算法和 EM 算法。

Nov, 2013

本文提出了通过张量分解方法学习广义线性模型的混合模型参数的方法，通过对输入进行特征转换以及使用得分函数张量和响应变量的交叉相关计算可以得到正确的参数估计，且其计算和样本复杂度是输入和潜在维度的低阶多项式。

Dec, 2014

本文介绍了一种判别潜在混合模型（DLM）和一种估计算法 Fisher-EM 算法，可用于高维数据空间中的聚类，其结果优于现有的聚类方法，可以用于质谱数据聚类

Jan, 2011

本文介绍了一种利用可微稀疏映射的参数化离散分布的训练策略，可在离散（分类或结构化）潜变量的情况下进行精确的边际化，避免了噪声梯度估计器或连续弛豫的需要，并在三个不同的潜变量建模应用场景取得了成功的结果。

Jul, 2020

基于期望最大化 (EM) 的非负张量分解统一框架，通过优化 Kullback-Leibler 散度来避免在每次 M 步骤和学习率调整中的迭代，并建立了低秩分解和多体逼近之间的一般关系，进而利用了多体逼近的闭式解来同时更新所有参数。我们的框架不仅为各种低秩结构（包括 CP、Tucker 和 Train 分解）提供了统一的方法，还包括了张量的组合形成混合以及稳健的自适应噪声建模。实证方面，与传统的基于张量的方法相比，我们的框架在离散密度估计方面提供了更好的泛化。

May, 2024

提出了一种多项式时间 / 样本复杂度方法来学习离散域上的 $r$ 个离散乘积分布的混合，利用张量分解和矩阵完成方法降低难度，该方法在统计上是一致的，并提供了有限的样本保证。

Nov, 2013

使用张量代数，我们提出了一个隐变量模型的新参数化方法，用于计算观测变量的边缘值，并设计了一种基于张量操作和奇异值分解的本地最小化算法来学习这种参数化，这是首个能为低树宽潜在图模型提供一致参数学习技术的研究。

Oct, 2012

该研究考虑了多元线性树模型的结构学习问题，引入了一种基于谱递归分组算法的底层向上过程以从观察到的变量的独立样本中恢复树结构，并给出了确切恢复树结构的有限样本大小界限，这些界限基于潜在联合分布的统计和结构属性，并且样本复杂度保证不依赖于观察变量维度，因此适用于许多高维设置。

Jul, 2011

研究 overcomplete 模型下的潜在变量模型，提供了一种基于张量分解方法的半监督和无监督学习算法，能够高效地学习各种高维度潜在变量模型。

Aug, 2014