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

该研究提出了一种新的低秩矩阵恢复方法，采用非平滑惩罚形式，在某些具体情况下能够克服传统平滑方法的病态问题，同时具有自适应性和鲁棒性。数值实验说明了该方法在解决相位恢复、盲卷积、矩阵补全和稳健 PCA 等计算任务中的优势。

Apr, 2019

我们提出了一个两阶段的非凸算法，用于从高度不完整和随机损坏的观测值中重建低秩张量，并在几乎线性时间内恢复所有单个张量因子，同时享受接近最优的统计保证，我们还讨论了如何扩展我们的方法以适应非对称张量。

Nov, 2019

提出三种方法用于从部分观察中估计多维数组（张量）的 Tucker 分解，这些方法都可以自动估计因子数（秩），并采用凸优化进行求解，其中采用的主要技术是迹范数正则化，还提出了简单的启发式方法以提高因子分解的可解释性。通过合成和真实数据集上的数值实验，证明了该方法比传统方法预测性能更准确、更快，更可靠。

Oct, 2010

该研究基于张量数据的全局低秩性和局部平滑性，提出了一种新的正则化方法，用于张量数据恢复任务，可以在张量完成和张量鲁棒主成分分析任务中提供精确恢复保证，相较于其他方法具有更好的恢复准确性。

Feb, 2023

我们提出了一种新的对数极小极大函数，该函数可以在保护大奇异值的同时对小奇异值施加更强的惩罚。基于此，我们为张量管秩定义了一种加权张量 LM 范数作为张量的非凸松弛。然后，分别提出了基于 TLM 的低秩张量完成模型以及基于 TLM 的张量鲁棒主成分分析模型。此外，我们对所提出的方法提供了理论收敛性保证。通过对各种真实数据集进行全面实验，并与相似的 EMLCP 方法进行比较分析，结果表明所提出的方法优于现有方法。

Sep, 2023

本文从统计模型的角度出发，系统地讨论低秩矩阵分解非凸优化的可靠解法，总结出了两种方法：1. 根据问题特征设计初始值，进行迭代求解；2. 利用全局凸性分析，无需初始值，直接求解。文章阐述了这些方法在各种场景下的应用并剖析了其理论基础。

Sep, 2018

本文研究了张量鲁棒主成分分析问题，并通过解决一个凸规划问题，准确地恢复了低秩和稀疏分量，该问题基于新的张量奇异值分解和引导的张量管秩和张量核范数，并在对图像去噪中证实了该方法的有效性。

Aug, 2017

本文提出了两种算法 (用于两个版本的收缩)，这些算法基于流形优化思想将稳健主成分分析 (Robust PCA) 问题看作低秩矩阵上的非凸优化问题，与基于 Burer-Monterio 低秩矩阵分解的先前工作相比，本文所提算法在理论上降低了对底层低秩矩阵条件数的依赖，并且仿真和实际数据证实了本方法的竞争性能。

Aug, 2017

该论文提出了一种灵活的通用低秩张量估计问题的框架，包括计算成像、基因组学和网络分析等应用中的许多重要实例，并通过投影梯度下降的统一方法来克服这些问题的非凸性，以适应底层低秩结构，并证明该算法在估计误差的收敛速度上达到极小值最优率。

Feb, 2020