本文提出了一种新的基于贝叶斯原则的稀疏学习（SBL）的 “矩阵完成” 和 “鲁棒主成分分析” 算法，该方法通过将低秩约束作为稀疏约束来确定正确的秩，并能提供很高的恢复性能。

Feb, 2011

本文介绍一种 “softImpute” 算法，将 matrix-completion 问题的两种流行的方法：核范数规则化矩阵逼近和最大间隔矩阵分解结合，且在大矩阵逼近和补全方面表现更好。

Oct, 2014

首次提出了一种新的增强矩阵完成（EMaC）算法，它使用多倍 Hankel 结构将数据排列成低秩增强形式，能够恢复具有谱稀疏性的对象，其底层频率可以在单位圆中具有任何值，该算法对有限噪声和超分辨率具有去噪和应用优势。

Apr, 2013

该论文研究了对一组 $n$ 个时间域样本的小型随机子集中的谱稀疏信号的恢复问题，声称使用一种名为结构化矩阵完成（EMaC）的新算法，该算法通过核范数最小化的方式，通过把数据排列成低秩增强形式来进行恢复，并展示了其对低秩多重 Hankel 或 Toeplitz 矩阵的恢复能力。

Apr, 2013

基于高斯过程潜变量模型的贝叶斯非线性矩阵补全算法，经过数据并行分布式计算方法加以优化，实现了对于高度稀疏大型矩阵的预测任务，得到了较好的实验结果。

Jul, 2019

这篇论文使用谱规则化的线性算子来协同过滤，通过低秩矩阵分解的方式提供一种新的估计方法，并测试了在标准 CF 数据集上的学习算法，最后将其推广为多任务学习的特例。

Feb, 2008

本文提出了一种自适应的隐式低秩正则化方法，通过从训练数据中动态捕捉低秩先验来解决固定正则化的局限性，并通过实验验证表明其在各个数据集上都有优秀的表现。

Aug, 2022

本文介绍了一种基于 Chomsky 层次的直观简洁性概念，利用 Hankel 矩阵的跟踪范数作为频谱正则化器的高级模型，并提出了一种偏袒随机估计器以应对 Hankel 矩阵是双无限的事实，最终证明了频谱正则化在 Tomita 语法上的潜在优势以及提议的随机估计器的有效性。

Nov, 2022

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

本文提出了一种名为 MaCBetH 的矩阵完成问题的谱算法，该算法可以用于在很少的随机输入下可靠地估计矩阵的秩，并在实现小重构误差方面表现良好。

Jun, 2015