该研究针对层次张量表示，研究了随机矩阵分解方法在高阶张量中的推广，并提出分析了一种用于计算张量拓扑结构的随机算法。

Oct, 2017

本文利用张量奇异值分解求得张量的秩概念 —— 张量管秩，使用具有优化性质的张量核范数最小化的凸优化问题，完成了从有限采样中完成高维数据恢复的任务，并证明了此方法的有效性。

Feb, 2015

本文介绍了随机 SVD 方法的推广版，使用多元高斯向量代替标准高斯向量进行矩阵 - 向量乘积，以允许将先前的知识加入算法中，进而探索基于高斯过程函数的 Hilbert-Schmidt（HS）算子的随机 SVD 的连续模拟。文中提出了一种新的基于加权 Jacobi 多项式的协方差核，从而使随机生成的函数具有良好的平滑性，再通过数值实验证明其适用性。

May, 2021

本文研究基于随机算法的张量分解方法在 Tucker 表达式下的应用，提出并分析了 HOSVD 和 STHOSVD 的随机算法，并针对大规模数据集提出了适用于不同需求的改进方案。

May, 2019

此篇论文介绍了一种新的 tensor-tensor 乘积方法 —— 基于带有反射边界条件的块卷积，同时提出了一种基于该乘积的任意阶 tensor 的分解方式，与 t-SVD 相比，新的分解具有更低的复杂度且在分类和压缩等应用中获得更高质量的结果。

Aug, 2023

本文介绍了两种融合随机化技术的低秩张量逼近方法，并进一步研究了鲁棒高阶张量完成问题。实验结果表明，该方法在计算效率和精度上均优于其他最先进的方法。

May, 2023

本文提出一种张量 Kronecker 积奇异值分解算法并引入了对称张量的新概念，该方法可以计算出具有结构的张量的 Kronecker 积因子，从而进行多种不同结构的张量分解。

Jul, 2015

我们提出了一种简单而新颖的参数化线性映射形式，称为 Ternary SVD（TSVD）。与传统的奇异值分解（SVD）不同，TSVD 限制了 SVD 中的 U 和 V 矩阵为三值矩阵形式（±1，0）。在计算 U（・）和 V（・）时，TSVD 仅需要加法指令，而无需昂贵的乘法指令。我们提供了直接转换算法和训练转换算法的过渡算法（如后训练量化和量化感知训练）。此外，我们理论上分析了直接转换算法的收敛性。在实验证明，TSVD 可以在各种类型的网络和任务中实现最先进的网络压缩性能，包括当前的基线模型，如 ConvNext、Swim、BERT 和大型语言模型 OPT。

Aug, 2023

本文提出了一个第三阶张量的量子奇异值分解算法和一个基于其的推荐系统和张量补全算法，该算法在复杂度方面有指数级优势并且可以根据用户的上下文情况提供变化的推荐。

Oct, 2019

本研究提出了一种多线性数据完成和去噪的新方法，应用于 3D 和 4D 视频数据的完成和去噪，利用了最近提出的张量奇异值分解（t-SVD）方法，基于 t-SVD，提出了多线性秩和相关张量核范数的概念来表征多线性数据的信息和结构复杂性。在此基础上，我们提出了一个张量核范数惩罚算法，用于从缺失项中完成视频，并且相对于已有方法，该算法表现出更优秀的性能。我们还考虑了从稀疏随机损坏中去噪 3D 视频数据的张量鲁棒主成分分析（PCA）问题，相对于矩阵鲁棒 PCA 的方法，我们的方法表现更优秀。

Jul, 2014