本文针对具有噪声的矩阵完成任务进行了研究，特别关注于估计由两个未知矩阵的乘积组成的矩阵，其中一个是稀疏矩阵的情况，提出了基于稀疏因子模型的正则化最大似然估计的误差界和算法方法。

Nov, 2014

本研究探讨使用 max-norm 作为秩的凸松弛下，基于一般非均匀采样分布的噪声 1-bit 矩阵补全问题，并引入了 max-norm 约束的极大似然估计，并使用信息论方法建立了最优速率的极小极大下限，并讨论了计算算法和数值性能。

Sep, 2013

该研究针对一种形式的行 / 列加权采样的矩阵完成问题进行了分析，提出了一种基于 $M$-estimator 的技术，通过对解的秩和 spikiness 同时进行控制，在加权 Frobenius 范数下建立了一些误差界限，其中关于矩阵的 “spikiness” 和 “low-rankness” 的度量比以前的工作限制更少。

Sep, 2010

本文研究了在低噪声环境下使用 iid 子高斯噪声的归纳矩阵填充问题（带侧面信息的矩阵填充），首次获得了普适性界限，并呈现出标准差与零误差恢复情况下的规模趋近，结果表明：在样本大小趋近于无穷大时，噪声即使存在也会趋近于零，对于侧面信息的固定维度而言，它们只有对矩阵大小的对数依赖性。

Dec, 2022

本文研究了基于独立的高斯观测量对高维种群协方差矩阵的主导特征向量的估计问题，建立了 $l_2$ 损失下估计量最小风险的极小界，并提出了一种新的二阶段坐标选择方案的特征向量估计方法。

Mar, 2012

基于矩阵的噪声观测，我们构建了一个弹性框架以推断其线性形式，我们提出了一种构建渐近正常估计量的普遍过程，以进行双重样本去偏差和低秩投影，从而允许我们构建线性形式的置信区间并检验假说。

Aug, 2019

本文中，我们将低秩矩阵恢复和矩阵补全的理论扩展到矩阵的线性组合或子集的 Poisson 观察结果的情况下，并通过具有矩阵 $M$ 上的合适约束条件的最大似然方法建立了矩阵恢复的理论上下界。同时，我们还开发了一组高效迭代算法，并在合成例子和实际数据上展示了它们的良好性能。

Apr, 2015

这项研究探讨了在 1 位矩阵补全中的错分过量风险界，1 位矩阵补全是机器学习中一个重要的问题，涉及从一个有限子集的条目中恢复未知矩阵。与处理实值样本的传统方法不同，1 位矩阵补全关注的是二进制观测。通过理论分析两个先前采用逻辑回归模型的方法的预测误差，本文证明了后者在不需要额外的对数项的情况下实现了极小化最优速率，这些新的结果有助于更深入地理解 1 位矩阵补全，并揭示了特定方法的预测性能。

Dec, 2023

本文提出利用低秩分解完成具有确切秩约束的嘈杂 1 位矩阵完成问题，并研究了在入口无限范数和确切秩约束下的最大似然估计，对于现有结果，本文提供了更快的收敛速率与矩阵维度无关的 1 位观察比例。

Feb, 2015

本文围绕低秩矩阵重构问题，重点研究在观测样本受噪声污染时的矩阵填充问题，比较了 OptSpace、ADMIRA 和 FPCA 三种最新的填充算法在单一模拟平台上的性能，并给出了数值结果。实验表明，这些优秀的算法可以用于准确重构实际数据矩阵和随机生成的矩阵。

Oct, 2009