该论文介绍了构建输入矩阵的低秩近似的算法套件，这些算法使用矩阵的随机线性图像（称为草图）。这些方法可以保留输入矩阵的结构特性，如半正定性，并且可以生成具有用户指定秩的近似值。此外，每种方法都伴随着一个信息性误差界，允许用户预先选择参数以实现所需的近似质量。这些论断受真实和合成数据的数字实验支持。

Aug, 2016

针对在低秩矩阵中最小化凸函数的问题，本文提出了一种高效的贪心算法，并给出其形式化的逼近保证。算法的每次迭代都涉及到计算某个矩阵的最大奇异值对应的左、右奇异向量，这可以在线性时间内完成。该算法可应用于矩阵完成和鲁棒低秩矩阵逼近等多个领域中的大型矩阵问题。

Jun, 2011

我们提出了一种用于大规模优化问题的快速草图算法，可以处理凸或非凸正则化函数的正则化优化问题。我们给出了原始问题与草图问题的近似误差的一般理论结果，并在温和条件下获得了稀疏信号估计的极小化速率。此外，我们还提出了一种迭代草图算法，可以指数级地减小近似误差。实验结果证明了我们的算法的有效性。

Nov, 2023

本文提出了优化稀疏矩阵的学习算法，通过优化矩阵中非零项的位置和值来实现低秩逼近、回归和二阶优化。

Jun, 2023

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

该研究提出一种基于稀疏张量分解和阈值梯度下降的二阶段非凸实现框架，可从立方挖掘中进行稀疏和低秩张量估计，在无噪音情况下确保准确恢复，在带噪音情况下高概率稳定恢复，并导出了新的高阶浓度不等式对高阶交互追求在高维线性回归中的潜在应用进行了张量表述。

Jan, 2018

本文提供了一种新的矩阵估算近似保证方法，其基于约束强凸性和平滑性的标准假设。同时，本文揭示了低秩估算和组合优化之间的新联系，并针对两个重要的现实问题提供了贪心估计与基准估计间的经验比较。

Mar, 2017

本文针对两个广泛使用的最小化问题：凸函数最小化问题和加上核范数的凸函数最小化问题，提出使用低秩分解和替代核范数的方法来加速求解问题，并证明其可以在全局范围内找到最优解。

Nov, 2016

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

提出了一种基于梯度下降算法的非凸优化的低秩矩阵估计的统一框架，其通用性很强，可应用于噪声和无噪声观测，算法能够线性收敛到未知低秩矩阵的最小最优统计误差，同时也能够以线性速率收敛到未知低秩矩阵，并以最优样本复杂度实现精确恢复。

Oct, 2016