该论文提出了一种面向一般线性观测模型中低秩张量逆问题的新统一优化算法，该算法支持多种低秩张量分解模型和基本损失函数，并提出了基于交替方向乘子法向和主化极小化方法的优化算法。通过该算法可以解决广泛的应用，并且可以轻松扩展到任何已建立的张量分解模型。

Dec, 2023

本文提出一种基于张量分解的模型压缩系统，采用交替方向乘子法进行优化求解。该系统适用于卷积神经网络和循环神经网络，可大幅降低计算量和参数量，并保持较高的准确性。

Jul, 2021

介绍了一种基于混合线性建模和子空间聚类技术的自适应、多尺度张量分解方法，旨在降低大型和多模态数据的维度和表示复杂度。该方法在多个真实张量信号的维数约简和分类问题中表现良好。

Apr, 2017

通过多分辨率低秩张量分解以层次化方式描述张量，这种方法能够利用不同层次分辨率上的结构，创造性地解决了高阶张量分解这一基础问题。

May, 2024

本文提出了一种新颖的张量完成方法，该方法通过利用张量环潜空间的低秩结构，将核范数正则化引入潜在 TR 因子，从而通过奇异值分解，同时获得最优秩的潜在 TR 因子和恢复的张量。实验结果表明，所提出的方法相对于现有的算法具有更好的表现和效率。

Sep, 2018

本文介绍了一种基于 epoch-based 退火的高维优化算法 ADMM，其可以用于稀疏优化问题和矩阵分解问题，实验结果表明其在精度和时间复杂度方面均优于现有算法。

Feb, 2014

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

本研究论文旨在开发一种能够将张量表示为有限数量低秩张量之和的精确张量分解的数学框架，通过解决三个不同的问题来导出：i）非负自伴随张量算子的分解；ii）线性张量变换的分解；iii）一般张量的分解。

Sep, 2023

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

本篇研究提出了一种基于 ADMoM 的约束张量分解框架，构建分布式算法，有效节省计算量，可以更容易地纳入其他类型的约束条件下优化计算，其中以非负性为基线限制，实践结果非常鼓舞人心，说明 ADMoM 非负张量分解 (NTF) 作为一种替代非常有潜力。

Sep, 2014