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

本研究提出了一种基于张量的子空间聚类和异常分解技术，旨在同时实现高维张量的异常鲁棒降维和聚类。通过结合 Tucker 分解、稀疏异常分解和子空间聚类，提出了一个新的低秩鲁棒子空间聚类分解模型，并通过块坐标下降算法更新参数。实验证明，该方法在模拟研究中相比基准方法在难案例中提高了 + 25% 的聚类准确率，同时通过消融研究分析了三个任务之间的相互关系，并通过基于真实乘客流量数据的车站聚类案例研究发现了有价值的见解。

Apr, 2024

基于张量的聚类方法中存在一些挑战，为了克服这些挑战，我们提出了一种名为高阶异质聚类（HHC）的两阶段方法，通过创新的谱算法进行张量子空间估计，然后使用近似 k-means 算法获得聚类节点，模拟和实际数据实验证明我们的算法在各种情境下都优于现有算法，提供更可靠的聚类性能。

Nov, 2023

我们提出了一种新的方法，将因子张量映射到统一的平滑 Lie 群流形上，以使因子张量的分布在张量分解中逼近均匀，从而克服了因子张量之间固有的异质性在张量融合过程中的显著障碍，并进一步限制了链接预测的性能。

Apr, 2024

本文采用分层 Tucker 张量和优化算法，快速插值了实际场景中的大规模地震数据集。

May, 2014

本文从信号处理角度提供了关于高阶张量分解的全面介绍，包括基本的 CP 和 Tucker 模型，通过多种数据处理方法提供更加灵活和自然的潜在因素；研究表明张量分解可用作现代信号处理、数据分析和机器学习应用的最有效和最有前途的工具。

Mar, 2014

本文将全面介绍张量（Tensors）的概念和分解方法，并探讨它们在机器学习中的应用，特别是在无监督学习和多关系数据分析等领域的优越性，同时结合实例研究了张量估计混合模型的基本方法，并提供了相关软件类库的参考。

Nov, 2017

本研究主要介绍了张量网络、张量分解、多元分析，低秩逼近以及大数据分析等多个方面，并讨论了其在异常检测、特征提取、分类、聚类分析、数据融合和集成、模式识别、预测建模、回归、时间序列分析和多元分析等领域中的潜在应用。

Mar, 2014

本文提出 t-SVD 基于多视角数据的子空间聚类方法，通过引入张量代数、低秩张量约束和增广 Lagrange 方法来探索多视角数据中的高阶相关性和互补信息。经过广泛实验证明，该方法在多个挑战性图像数据集上表现卓越。

Oct, 2016

本文研究了一种高效的参数估计方法，可用于广泛的潜变量模型，特别是那些具有张量结构的模型，包括高斯混合模型、隐马尔可夫模型和潜在狄利克雷分配模型，通过对表示模型可观测矩阵的低阶矩（通常为二阶和三阶）的张量进行分解获得。方法为鲁棒性较强、可有效计算，并可应用于多个流行的潜变量模型。

Oct, 2012