本文研究了低秩矩阵恢复的一类黎曼优化算法，证明了当感知算子的受限等距常数小于 Cκ/√r 时，算法能够从几乎最小的测量中恢复低秩矩阵。

Nov, 2015

本文提出了一种适用于 Riemann 流形上低秩矩阵恢复问题的新的全局分析框架，其中使用 Riemann 梯度下降算法最小化最小二乘损失函数，并研究了渐近行为以及精确收敛速率。

Dec, 2020

本文提出了特定于低秩矩阵补全问题的新黎曼几何，利用商空间自由度来调节搜索空间的度量，开发了基于梯度下降方案的优化工具，包括陡峭下降和共轭梯度，以及信赖域算法，实现了精确线性搜索，使算法在标准低秩矩阵补全实例上具有与最先进算法相当的性能。

Nov, 2012

本文提出了一种基于 Riemann manifold 预处理的新型张量完成问题求解方式，通过利用代价函数的最小二乘结构和 Tucker 分解的结构对称性，提出了一种新的 Riemann 度量或内积，使得可以在商流形上使用 Riemannian 优化框架来发展批次和在线设置的预处理非线性共轭梯度和随机梯度下降算法。在各种合成和真实世界数据集上的数值比较表明，所提出的算法在鲁棒性方面优于现有的其他算法。

May, 2016

通过解决凸优化问题，可以从数据矩阵的不完全采样中完美地恢复低秩矩阵，并且这个结果被扩展到了压缩感知。

May, 2008

采用 Riemannian 余维度流形上的优化几何方法及其梯度下降和信任区域算法，对学习大型固定秩非对称矩阵的线性回归模型进行了研究，推广了固定秩对称正定矩阵的一般结果，可用于机器学习算法的设计，数值实验表明，与现有算法竞争并提供了一种有效且灵活的算法，用于学习固定秩矩阵。

Sep, 2012

研究低秩矩阵和张量完成，提出了采用自适应抽样方案的新算法，它们具有强大的性能保证，并能够恢复具有噪声干扰的低秩矩阵。

Apr, 2013

对称矩阵完成问题的研究表明，使用小初始化的梯度下降算法可以无需显式正则化地收敛到真实解，即使在过参数优化情况下也成立；同时，初始点越小，解的精确度越高。针对该问题的全局收敛性分析借助了一种新颖的弱耦合一致性评估方法，拓展了经典的留一法分析范畴。

Feb, 2024

研究了张量恢复中的样本量要求，提出梯度下降算法结合谱方法来重建低秩高阶张量，事实证明我们的方法在保证高概率的情况下只需要 O (r^7/2*d^3/2*log^7/2 (d)+r^7*d*log^6 (d)) 个样本，且可以很好地处理低秩多线性张量，相对于其他方法具有高效易用性的优点。

Feb, 2017

该论文探讨了如何从其少量项目中恢复未知矩阵的问题，提出使用 “核规范” 法将矩阵恢复降低至在信息论极限附近的数列，以有效提高了恢复矩阵的准确性。

Mar, 2009