一种基于最大范数约束的一比特矩阵补全极小化方法
本研究倡导并分析了一种基于 max-norm 的方法，在一般的采样模型下进行有噪声矩阵补全，该方法在解决低秩矩阵重构中具有最佳收敛速度，且面对不同采样分布显现出统一且稳健的近似恢复性能，同时也通过解决一阶算法来讨论该方法的计算有效性。
Mar, 2013
本文提出利用低秩分解完成具有确切秩约束的嘈杂 1 位矩阵完成问题，并研究了在入口无限范数和确切秩约束下的最大似然估计，对于现有结果，本文提供了更快的收敛速率与矩阵维度无关的 1 位观察比例。
Feb, 2015
本文提出了一种基于矩阵补全的理论，分析了在一种极端嘈杂的观察条件下的可能性，证明适当约束下的最大似然估计结果准确，提出了利用凸规划优化来实现估计的方法，并为后者排除了限制条件。研究还提供了下界，证明估计的近似最优，并在实验中基于这个理论得到了好的验证结果。
Sep, 2012
这项研究探讨了在 1 位矩阵补全中的错分过量风险界，1 位矩阵补全是机器学习中一个重要的问题，涉及从一个有限子集的条目中恢复未知矩阵。与处理实值样本的传统方法不同，1 位矩阵补全关注的是二进制观测。通过理论分析两个先前采用逻辑回归模型的方法的预测误差，本文证明了后者在不需要额外的对数项的情况下实现了极小化最优速率，这些新的结果有助于更深入地理解 1 位矩阵补全，并揭示了特定方法的预测性能。
Dec, 2023
该论文研究了矩阵完成问题的基本错误特征，通过分析噪声模型下的最小极大误差边界得出，结果表明最大似然估计量的复杂性正则化可以在多个噪声场景下，获得最小风险率。
Oct, 2015
该研究针对一种形式的行 / 列加权采样的矩阵完成问题进行了分析，提出了一种基于 $M$-estimator 的技术，通过对解的秩和 spikiness 同时进行控制，在加权 Frobenius 范数下建立了一些误差界限，其中关于矩阵的 “spikiness” 和 “low-rankness” 的度量比以前的工作限制更少。
Sep, 2010
本文研究了针对大规模低秩矩阵的部分和带噪声数据中的矩阵补全问题，采用凸松弛和 Burer-Monteiro 方法，成功地将凸松弛的实践与非凸方法的统计保证相结合，取得了近乎最优的估计误差。
Feb, 2019
本文提出了一种用于研究非渐近极小值估计高维矩阵的新机制，该机制可以在各种问题的大量损失函数中产生紧密的极小值。基于有限维 Banach 空间的凸几何，我们首先开发了体积比方法，用于确定所有平方酉不变范数下无约束正常均值矩阵的极小值估计率。此外，我们还建立了具有子矩阵稀疏度的均值矩阵估计的极小值率，其中稀疏性约束引入了一个附加术语，该术语对范数的依赖性与无约束问题的速率完全不同。此外，该方法也适用于低秩约束下的矩阵完成问题。新方法还扩展到正常均值模型之外。特别地，它对于所有酉不变范数的协方差矩阵估计和泊松速率矩阵估计问题都产生了紧密的速率。
Jun, 2013
本论文提出了一种基于主导最小化 (MM) 方法的 1 位矩阵补全算法 MMGN，它采用了显式约束低秩结构的分解方法，然后借助高斯牛顿方法解决子问题，在二进制观察值下产生了可比较的甚至更准确的估计，通常速度更快，并且对底层矩阵的尖峰值更不敏感。
Apr, 2023