该研究提出了一种基于低秩假设的推荐算法，用非凸秩松弛而不是核范数来提供更好的秩近似和高效的优化策略，经过实验证明，该方法将 Top-N 推荐的准确性提升到了一个新的水平。
Jan, 2016
本文提出一种基于 Logarithm-Determinant 的等级逼近方法，用于子空间聚类应用，并开发有效的优化策略，以实现收敛到一个稳定点，并在人脸聚类和运动分割任务方面比目前最先进的子空间聚类算法具有更好的效果。
Aug, 2015
本文介绍了一种基于反正切函数的更紧密逼近秩函数的方法，并使用它来解决具有挑战性的子空间聚类问题，并开发了一种基于增广拉格朗日乘数方法的有效优化过程。实验结果表明，所提出的方法对于秩逼近问题十分有效。
Oct, 2015
本论文提出了一种新的基于 Learning-to-Rank 方法的 Top-N-Rank 推荐算法，通过在排名列表中只评估前 N 个项目，消除评估低排名项目对学习排序函数的影响，并借助多种类型的隐式反馈来提高推荐质量，使用 ReLU 作为平滑目标函数的方法显著提高了排名质量和运行时间。
Dec, 2018
运用矩阵补全算法理论将一种叫做秩聚合的方法扩展到了一部分已填充的斜对称矩阵之上，从而提取出了每个项目的排名。该算法适用于成对比较和评级数据，并且由于基于矩阵补全，因此对数据噪声和不完整数据具有鲁棒性。
Feb, 2011
本文研究了机器学习中的排名聚合问题及其变种 —— 协同排名问题，提出了一种核范数正则化的优化方法用于估算用户偏好。实验结果表明，随着观测次数的增加，评估用户偏好的误差也相应减小。
Oct, 2014
本文提出了一种基于截断的异性低秩正则化方法，通过使用功率方法逼近奇异值分解以提高计算效率，相比于传统核范数正则化方法，实验结果表明所提出的方法在矩阵补全领域有更快的速度和更高的准确率。
Dec, 2015
本文提出了一种基于变分近似的经验贝叶斯程序，用于低秩矩阵估计，与核范数不同的是，该方法保留了很多有用约束下与秩函数相同的全局最小点估计。该方法适用于广泛的低秩学习应用，特别是强健主成分分析问题（RPCA）。
Aug, 2014
研究了鲁棒主成分分析方法在矩阵恢复中的应用，提出了一种比核范数更紧的非凸秩逼近方法，并且设计了一种高效的基于增广拉格朗日乘子法的优化算法。实验结果表明，该方法在精度和效率方面优于现有的最先进算法。
Nov, 2015
本文提出了一种使用一组非凸假设函数对矩阵奇异值进行 $L_0$- 范数逼近的非凸非光滑极小值问题，并采用 Iteratively Reweighted Nuclear Norm (IRNN) 算法进行求解。本文在合成和真实图像数据上进行了广泛的实验，证明了 IRNN 相比最先进的凸算法增强了低秩矩阵恢复的效果。