本文提出了一种新的初始化过程，该过程基于找到适当矩阵的前两个特征向量，并表明具有这种方法下的重采样 EM 算法在自然假设前提下可以收敛到正确的向量，其样本复杂度几乎是最佳的。

Oct, 2013

本文提出了通过张量分解方法学习广义线性模型的混合模型参数的方法，通过对输入进行特征转换以及使用得分函数张量和响应变量的交叉相关计算可以得到正确的参数估计，且其计算和样本复杂度是输入和潜在维度的低阶多项式。

Dec, 2014

文章提出了一种新的基于张量分解的方法用于学习混合线性动态系统，在不需要分离条件的情况下，可以与 Bayes 最优分簇竞争，在具有挑战性的部分观测情况下工作。

Jul, 2023

本研究论文旨在开发一种能够将张量表示为有限数量低秩张量之和的精确张量分解的数学框架，通过解决三个不同的问题来导出：i）非负自伴随张量算子的分解；ii）线性张量变换的分解；iii）一般张量的分解。

Sep, 2023

提出了一种多项式时间 / 样本复杂度方法来学习离散域上的 $r$ 个离散乘积分布的混合，利用张量分解和矩阵完成方法降低难度，该方法在统计上是一致的，并提供了有限的样本保证。

Nov, 2013

本文研究低秩张量分解在缺失数据的情况下的问题，提出了基于交替最小化法的新方法，表明在一定条件下，我们的方法可以从少量采样的条目中精确地恢复一个低秩张量。

Jun, 2014

基于期望最大化 (EM) 的非负张量分解统一框架，通过优化 Kullback-Leibler 散度来避免在每次 M 步骤和学习率调整中的迭代，并建立了低秩分解和多体逼近之间的一般关系，进而利用了多体逼近的闭式解来同时更新所有参数。我们的框架不仅为各种低秩结构（包括 CP、Tucker 和 Train 分解）提供了统一的方法，还包括了张量的组合形成混合以及稳健的自适应噪声建模。实证方面，与传统的基于张量的方法相比，我们的框架在离散密度估计方面提供了更好的泛化。

May, 2024

通过平滑分析模型，本文提出了一种针对高度过完备情况（秩多项式于该张量维度）的张量分解的有效算法，且该算法具有鲁棒性，即使输入存在逆多项式误差，其表现依然可靠。该算法的线性独立性结果为我们在学习过程中应用张量方法提供了方便，为多视图模型和轴向高斯混合等学习问题的研究提供了更多的组件维度。

Nov, 2013

本文研究了一种高效的参数估计方法，可用于广泛的潜变量模型，特别是那些具有张量结构的模型，包括高斯混合模型、隐马尔可夫模型和潜在狄利克雷分配模型，通过对表示模型可观测矩阵的低阶矩（通常为二阶和三阶）的张量进行分解获得。方法为鲁棒性较强、可有效计算，并可应用于多个流行的潜变量模型。

Oct, 2012

本文提出了一个适用于广泛条件下的固定参数可处理算法，用于解决多重线性回归模型问题，并实现全局收敛和样本复杂度的 nearly 线性缩放。

Feb, 2018