本文研究了高维 PCA 问题，通过添加 $k$-sparse 最大特征向量来扰动协方差矩阵，并分析了两种可计算的最大特征向量恢复方法：一种是简单的对角线阈值法，另一种是复杂的半定规划 (SDP) 松弛法，研究结果突出高维推断中计算与统计效率的权衡。

Mar, 2008

在高维环境中，本研究针对协方差矩阵 Σ 的 k 维稀疏主子空间进行估计，提出了一种基于稀疏主成分分析的半定松弛估计方法，并在理论上证明了该方法在一定条件下具有支持恢复能力和收敛速率优势。

Dec, 2023

本文介绍了一种名为门限法的难以置信的精简主方向载荷方法，并将其与半定规划松弛相结合，以改进主成分分析的解释性。

Jun, 2020

研究稀疏主成分分析、半定规划等算法在单脉冲模型中的应用，证明了 SDP 算法在 k≥Ω（√n） 时不能恢复稀疏脉冲，并且推测在单脉冲模型中，没有高效算法可以恢复 Ω（√n）稀疏度的脉冲。最后，提出经验结论，表明通过简单的协方差阈值算法可以实现对低稀疏度（k = O (√n)）下的恢复。

Jun, 2013

本文针对特征数比样本个数大的情况，提出了一种新的迭代阈值方法，用于估计主成分空间，这种方法在高维稀疏场景下实现了主成分空间和主要特征向量的一致恢复和最优恢复。模拟实例也证明了其具有竞争性的性能。

Dec, 2011

本论文研究基于高维独立的高斯观测下，对总体协方差矩阵中的主要特征向量进行估计的问题。研究者们提出了一种基于坐标选择方案结合 PCA 的主要特征向量估计器，并证明了该估计器在稀疏条件下可以达到最优收敛速率。同时，也证明在某些情形下，通常的 PCA 可以达到最小最大收敛速率。

Feb, 2012

在 “可能但艰难” 的稀疏主成分分析中，我们使用亚指数时间算法的能力来探索稀疏度和恢复时间的平滑权衡，提供了一种新的演变家族，并对低阶似然比进行分析，从而证明了我们算法所实现的权衡是最优的。

Jul, 2019

通过研究计算复杂性理论，发现在满足一定限制的协方差集中条件下存在有效的样本大小范围，在此范围内无法有随机多项式时间算法达到最佳极小风险率；对著名的半定松弛估计方法的理论性能进行研究，揭示了统计效率和计算效率之间微妙的相互作用，此方法为多维数据稀疏主成分分析提供了一种解决方案。

Aug, 2014

本文研究了基于独立的高斯观测量对高维种群协方差矩阵的主导特征向量的估计问题，建立了 $l_2$ 损失下估计量最小风险的极小界，并提出了一种新的二阶段坐标选择方案的特征向量估计方法。

Mar, 2012

研究开发了两种基于中心子高斯分布的降噪主成分分析算法，灵活应用于解决具有非代数结构矩的相关问题。同时定量地分析了算法的复杂性和置信度。

Jun, 2020