本文研究了从噪声测量中估计低秩矩阵的问题，并提出一种修改的非凸梯度下降方法，既能解决慢收敛的问题，又能保持极小值最优性，通过医学成像应用的实验，我们观察到，与先前的方法相比，重建误差显着减小。

May, 2023

本研究探讨通过非凸优化从线性测量（即矩阵感知）中估计低秩矩阵的问题，并建议了一种有效的随机方差减少梯度下降算法来解决此问题。我们的算法适用于有噪声和无噪声的情况。在有噪声的情况下，我们证明了该算法在最小化统计误差方面以线性速率收敛于未知低秩矩阵。在无噪声的情况下，我们的算法保证线性收敛于未知低秩矩阵，并在最优采样复杂度下实现了精确恢复。值得注意的是，我们提出的算法的总计算复杂度（定义为迭代复杂度乘以每次迭代时间复杂度）低于基于梯度下降的最新算法。用合成数据的实验证明了该算法优于现有算法。

Jan, 2017

该论文提出了一种灵活的通用低秩张量估计问题的框架，包括计算成像、基因组学和网络分析等应用中的许多重要实例，并通过投影梯度下降的统一方法来克服这些问题的非凸性，以适应底层低秩结构，并证明该算法在估计误差的收敛速度上达到极小值最优率。

Feb, 2020

通过矩阵分解和投影梯度下降算法解决约束最优化问题，提供了一种通用理论框架，当给定适当的初始化时，可以几何级数地收敛到具有统计意义的解，适用于许多具体模型。

Sep, 2015

本文从统计模型的角度出发，系统地讨论低秩矩阵分解非凸优化的可靠解法，总结出了两种方法：1. 根据问题特征设计初始值，进行迭代求解；2. 利用全局凸性分析，无需初始值，直接求解。文章阐述了这些方法在各种场景下的应用并剖析了其理论基础。

Sep, 2018

本研究提出了一种统一的低秩矩阵估计方法，使用非凸惩罚，证明其在统计学上比传统方法更快，且具有奥卡姆属性（即精确地恢复矩阵的真实秩），并在人工合成和真实数据集上的数值实验证实了我们的理论。

May, 2015

低秩建模在信号处理和机器学习中扮演着关键的角色，本文综述了利用凸和非凸方法对低秩矩阵估计进行计算上高效可证的方法，其中包括对低维子空间和流形的适当利用及其对计算和存储成本的显著降低。

Feb, 2018

本文研究了针对大规模低秩矩阵的部分和带噪声数据中的矩阵补全问题，采用凸松弛和 Burer-Monteiro 方法，成功地将凸松弛的实践与非凸方法的统计保证相结合，取得了近乎最优的估计误差。

Feb, 2019

该研究提出了一种新的低秩矩阵恢复方法，采用非平滑惩罚形式，在某些具体情况下能够克服传统平滑方法的病态问题，同时具有自适应性和鲁棒性。数值实验说明了该方法在解决相位恢复、盲卷积、矩阵补全和稳健 PCA 等计算任务中的优势。

Apr, 2019

发展了一种新框架，旨在捕捉一般非凸低秩矩阵问题的共同局面，包括矩阵感知，矩阵完成和鲁棒 PCA，在优化风景线的现有分析的基础上进行了连接和简化，自然地导致了不对称矩阵完成和鲁棒 PCA 的新结果

Apr, 2017