该论文回顾了现有的优化方法来解决鲁棒 PCA 及其变体。论文讨论了这些方法的优缺点和收敛性，并提出了一些面向多处理器环境下解决大规模问题的新算法框架的可能研究方向。

Jun, 2018

研究了一种基于稀疏性惩罚的复合压缩感知框架，将领先的主成分分析（PCA）与异常值检测相结合，提出了一种鲁棒的主成分分析方法，能够有效地检测包括人格评估调查、社交网络中的社区以及视频监控数据中的入侵者在内的异常响应。

Nov, 2011

本文提出了两种算法 (用于两个版本的收缩)，这些算法基于流形优化思想将稳健主成分分析 (Robust PCA) 问题看作低秩矩阵上的非凸优化问题，与基于 Burer-Monterio 低秩矩阵分解的先前工作相比，本文所提算法在理论上降低了对底层低秩矩阵条件数的依赖，并且仿真和实际数据证实了本方法的竞争性能。

Aug, 2017

本文提出了一种非凸可行性重构的 RPCA 问题，并采用交替投影法进行求解。通过广泛的数值实验，我们展示了该方法在多个应用场景中的良好性能。

May, 2018

本文介绍了一种名为主成分追踪的凸型优化方法，能在有噪声或缺损情况下准确分离一个 $ m * n $ 数据矩阵的低秩和稀疏成分，该方法有望应用于视频监控和人脸识别等领域。

Dec, 2009

本文探讨了在存在随机噪声、大量离群点和缺失数据的情况下，通过凸规划方法提高低秩矩阵估计的理论保证。结果表明，当未知矩阵是很好条件的、不一致的和具有恒定秩时，通过凸规划实现了接近最优的统计精度。即使有近乎恒定的观测值被任意大小的离群值所污染，都可以获得令人满意的结果。

Jan, 2020

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

该文介绍了一种名为 Outlier Pursuit 的基于凸优化的算法，该算法使用矩阵分解来恢复未损坏矩阵的正确列空间，并确定损坏的点。此算法在基因组学和金融应用中具有重要意义。

Oct, 2010

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

研究了关于在假定低秩矩阵 L 的列空间有部分知识的情况下优化 PCP 方法。提出了一种称为 modified-PCP 的改进方法，减轻了 incoherence 假设，并在 stylized real 应用中与 PCP 和其他现有方法进行了比较。阐述了在许多涉及时间序列数据的应用程序中，包括在线或递归鲁棒性 PCA 问题自然发生的问题，还给出了该情况的一个推论。

Mar, 2014