本研究提出了一种基于协作矩阵分解的解决方案，称为 M3Lcmf，该方法使用异构网络编码不同类型的关系，探索包、实例和标签之间的潜在关系，并选择性地合并数据矩阵，进一步引入聚合方案，将实例级标签聚合到包级别，并指导分解，实验结果表明，在实例级和包级预测方面，M3Lcmf 优于其他相关解决方案。

May, 2019

本文针对解决计算机视觉和机器学习应用中涉及到的非可微目标函数和约束的优化问题所采用的交替方向乘子法，提出了一种自适应的松弛 ADMM（ARADMM）方法，旨在通过自动调节关键算法参数，实现最佳性能而无需用户监管。通过对 ARADMM 进行详细的收敛性分析，并在几个应用实例上展示了其快速实际收敛性能。

Apr, 2017

提出了一个多关系记忆网络（MRMN）模型，用于建模用户与物品的多类型交互以及潜在关联性学习，可以更精确地捕获用户的偏好，从而优于当前大多数推荐系统。

Jun, 2019

本研究研究了多分辨率分析和矩阵分解之间的关系，提出了一种增量多分辨率矩阵分解算法，用于发现对于许多视觉问题的成功非常重要的对称矩阵的分层块结构，实验证明该算法可以用于改进网络架构以及其他视觉问题。

May, 2017

我们提出了迭代方法，并使用转置降维策略解决全局子问题，使单个节点能够在分布式数据集上解决最小二乘问题，为线性分类器和稀疏线性模型的拟合提供了简单迭代方法，并且使用超过 7000 个核心的分布式实现要比以前的方法节省时间。

Apr, 2015

本文研究了张量分解在结构化数据方面的应用，扩展了在多关系学习中取得最先进结果的 RESCAL 张量分解，考虑了邻节点张量的二进制特性，并通过采用逻辑扩展方法在多个基准数据集上实现了预测结果的显著改善。

Jun, 2013

本研究提出了一种名为 R-ADMM 的新方法，它可以在分布式系统中，通过每个偶数迭代时应用线性近似，同时只使用上一个奇数迭代的结果来计算，从而减少了计算量和隐私泄露，并根据目标扰动提供了隐私分析等.

Oct, 2018

利用监督矩阵分解 (SMF) 方法，在高维数据中学习低秩潜在因素，并提供可解释性、数据重构性和类别区分性特征，通过一个新颖框架将 SMF 提升为一个结合因子空间的低秩矩阵估计问题，并提出了一个有效算法，在各种癌症中成功识别了已知的与癌症相关的基因组。

Nov, 2023

本文研究了分布式交替方向乘子法，提出了使用不同的优化参数来提高算法性能的方法，并引入了自适应一致性交替方向乘子法来自动调节期权参数，最终获得了 O（1 /k）的收敛速度。

Jun, 2017

本文提出了一种将概率应用于不完整的数据库中的方法，使用 Markov chain Monte Carlo（MCMC）来恢复不确定性，提供对任意图形模型和关系代数公式的高效查询，并演示了与 materialized view 维护技术之间的联系。

May, 2010