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

本文介绍了一种名为 “在图上强鲁棒性主成分分析” 的新模型，它将谱图正则化纳入了 Robust PCA 框架中，从而具有主成分丰富性、改进的低秩恢复、改进的聚类性质和凸优化问题等优点，从实验结果来看，模型在聚类和低秩恢复任务方面表现优异，优于其他十种最先进的模型。

Apr, 2015

通过研究一种在尖峰维沙特模型下的主成分分析问题，我们揭示了信号中的结构通过一类子空间模型予以捕捉。在统计和计算统一的视角下，我们建立了依赖于问题实例几何结构的基本限制，并展示了一种自然的投影幂法在解的统计可接近最优邻域上表现出的局部收敛性。我们通过分析两个重要特例，即基于路径和树稀疏性的初始方法和匹配证据的计算难度，来补充这些结果。总体而言，我们的结果表明，多个针对普通稀疏主成分分析观察到的现象自然地扩展到其结构化对应物中。

Jul, 2023

本研究提出了一种新的稀疏 PCA 方法，旨在找到稀疏和几乎不相关的主成分，并具有正交的载荷向量，同时尽可能多地解释总方差。我们还开发了一种新的增广 Lagrangian 方法来解决一类非光滑约束优化问题，该方法非常适合我们的稀疏 PCA 公式。最后，我们将我们的稀疏 PCA 方法与其他方法在合成数据，随机数据和真实数据上进行比较。计算结果表明，我们的方法产生的稀疏主成分在总方差，主成分相关性和载荷向量的正交性等方面显着优于其他方法。

Jul, 2009

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

本文提出了一种基于主成分分析（PCA）的解决方案，通过设计凸优化问题来实现对高维数据集的低秩恢复，重点解决了高计算复杂性、非凸性和数据中的大量异常问题，同时经过了 7 组基准数据集的聚类实验和 3 组视频数据集的背景分离实验的测试，结果表明我们提出的模型优于 10 种最先进的降维模型。

Jul, 2015

本文研究了主成分分析中，如果利用附加到主向量的信息，能否使得任务更容易并提高准确性。在正协方差约束条件下，该文在一峰模型下开发了相似的特征，证明了估计误差也存在相似的相变现象，并且展示在几乎线性时间内如何近似计算非负主成分。

Jun, 2014

本文介绍一种新的基于多个不相交支撑的稀疏主成分分析算法，能够在多项式时间复杂度内，统一优化多个不相交的主成分，并且在真实数据集上的实验结果表明，在许多情况下，该算法能够胜过现有的基于排除法的方法。

Aug, 2015

本文针对主成分分析问题在流式随机场景中进行探讨和研究，给出了针对性的随机梯度下降算法，提供了最新的无需基于非平凡特征值间隙假设的收敛保证，并改进了在该假设下的优化算法保证效果。

Sep, 2015

本文研究具有多台服务器的分布式计算环境，通过开发 PCA 算法来处理点集的低维子空间问题，进而解决异常检测以及聚类等计算问题，提出的新算法显著降低了 $k$-means 聚类与相关问题的计算以及通讯成本，并且经过实验验证，在解决方案质量方面具有忽略不计的退化。

Aug, 2014