本文提出了一种基于贝叶斯建模和多线性交互作用的张量分解方法，可以在存在缺失数据和离群值的情况下进行鲁棒分析，实现对丢失数据的稳健预测分布。

Oct, 2014

考虑如何分解具有缺失值的数据集，以捕捉数据的潜在结构并可能重建缺失值。我们开发了一种名为 CP-WOPT 的算法，该算法使用一种一阶优化方法来解决加权最小二乘问题，并通过大量的数值实验验证了该算法的性能良好，能够成功分解噪声数据及缺失数据高达 99％的张量，同时适用于稀疏大规模数据。

May, 2010

本文研究了 CANDECOMP/PARAFAC（CP）张量分解在多维数据降维中的应用，提出了一种基于随机算法的简单但强大的算法来计算大规模张量的近似 CP 分解，并通过多个实验结果证明了该算法的性能。

Mar, 2017

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

本文研究了稀疏计数数据的多线性建模问题，提出了一个以泊松分布为假设的描述性张量分解模型和相应的算法和理论，并介绍了一种基于主导极小化方法的泊松张量分解算法，称为 CP-APR，并在几个数据集上的结果得到了验证。

Dec, 2011

本研究提出了一种新的 CP 张量分解方法，使用了随机投影算法降低了问题难度并在模拟和真实数据集上得到了更好的表现。

Jan, 2015

本文提出了一种名为 SPC 的 “平滑 PARAFAC 张量完整化” 的方法，该方法为视觉数据快速提供了高效的算法，其采用总变分和二次变分策略来施加平滑性约束，并在模型学习中调用相应的算法，经广泛实证评估，较其他具有代表性的张量完整化方法具备更好的预测性能和效率。

May, 2015

使用 Tucker 分解模型，配合贝叶斯方法与马尔可夫蒙特卡罗算法进行变量选择，取得高准确率的分类模型，使其适用于高维分类数据并解决标记互制问题。

Jan, 2013

本篇论文提出了一种名为 InfTucker 的新的张量分解模型，采用基于贝叶斯模型的 tensor-variate latent nonparametric Bayesian 模型，并结合高效推理方法，适用于多元数据分析，可处理多种数据类型和不确定性，实验结果显示其预测准确性优于现有的最先进的 tensor 分解模型。

Aug, 2011

该研究探讨了使用 Canonical Tensor Decomposition 解决 Knowledge Base Completion 问题的局限性，并提出了一种基于 tensor nuclear p-norms 的新型正则化方法，结合这两种方法可以超过现有的同类算法，在多个数据集上表现得更好。

Jun, 2018