该论文提出了一种基于块对角正则化器的直接求解块对角矩阵的非凸模型，通过使用块对角结构先验来解决子空间聚类问题，并通过实验验证了其有效性。

May, 2018

提出了一个新的结构判别性分块对角线字典学习方法，称为可扩展的局部限制投影字典学习（LC-PDL），用于有效的表示和分类，通过学习结构化的判别性字典和分块对角线表示来提高可扩展性，并避免利用昂贵的 I0/I1 范数等，实现了省略新样本的稀疏重建过程，更重要的是避免使用补充数据矩阵来学习每个类别的子字典，该方法还在 DL 过程中加入原子的局部性约束来保留局部信息，从而获得样本在每个类别上的编码，并推导出了一个分块对角线的判别逼近项来学习判别性投影，以从数据中提取出特殊的分块对角线特征来确保近似系数与其标签信息相关联，最后，还训练了一个强健的多类分类器，用于精确的标签预测。

May, 2019

基于图的聚类分析中，我们提出了一种快速而稳健的稀疏感知块对角表示方法 (FRS-BDR)，该方法能够共同估计聚类成员资格和块数，并在各种真实应用中展现出了聚类准确性、对破损特征的稳健性、计算时间和聚类枚举性能的有效性。

Dec, 2023

本文就基于块对角矩阵的波斯基级联以及本地主成分分析变换等方法提出了一个简单的变换 - 阈值 - 反演方法，该方法在处理多通道图像降噪方面具有高效性和竞争力，并在大量的实验中展示了稳健性和效果。

Feb, 2019

本文提出了一种基于低秩表示（LRR）和图拉普拉斯正则化（GLR）的高效优化方法，用于解决高光谱目标检测中的未知背景字典和空间信息利用不足的问题，实验证明了该方法的有效性和优越性。

Jun, 2023

该研究着眼于多模态表征学习中的问题，提出一种基于块超对角张量分解的多模态融合模型 BLOCK，该模型比传统双线性模型具有更好的表达能力和效率，在视觉问答等任务中表现出了优异的结果。

Jan, 2019

本文探究了低秩表示（LRR）的本质，将其发现为基于聚类投影的表示方法，通过基于低秩矩阵分解将其转换为同时学习正交聚类表示和优化本地图结构的问题，并且得到了在多视图数据上的实验验证。

Aug, 2017

该研究提出了一种称为 “代表空间距离学习” 的方法，该方法可用于将一种深度神经网络模型学习到的内部表现空间应用到另一种模型之中，通过该方法可将学生模型的表现空间序列逐步拟合为更接近于教师模型表现空间的序列。通过将学生模型的表现空间逐渐接近于教师模型的表现空间，使用该方法可以显著提高可视化分类性能。未来该方法可以应用于将深度神经网络的任务约束和生物大脑的约束相结合，从而构建出可以复制生物大脑内部表现空间的深度神经网络模型。

Nov, 2015

本文提出了一种新颖的表示差异感知蒸馏（RDD）方法，通过从信息瓶颈的创新角度构建我们的 RDD，该方法可以有效地减小学生和教师之间在特征和逻辑上的提议区域对的差异，从而解决了表示差异问题，并减小了紧凑学生和过参数化教师之间的性能差距。

Aug, 2023

本文介绍了一项基于 group representation 的任务中提升识别精度的新方法 ——discriminability distillation learning (DDL)，该方法通过使用嵌入的类别质心显式设计辨别性。实验证明 DDL 方法对于各种任务的精度和效率都很有效，并且在这些任务上推动了领先水平。

Aug, 2020