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

本文介绍了一种利用随机矩阵方法扩展张量 SVD 来压缩和分析数据集的方法，相对于 t-SVD，具有更高的计算效率，并提供了该算法的详细说明和数值结果。

Sep, 2016

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

使用层级张量网络方法通过经验分布来逼近高维概率密度，利用随机奇异值分解技术解决张量网络中张量核的线性方程，该算法的复杂性与高维密度的维数成线性关系，通过多项数值实验分析表明了该方法的有效性。

Apr, 2023

介绍了一种基于混合线性建模和子空间聚类技术的自适应、多尺度张量分解方法，旨在降低大型和多模态数据的维度和表示复杂度。该方法在多个真实张量信号的维数约简和分类问题中表现良好。

Apr, 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

本研究提出了一种高效的算法，叫做球形归一化奇异值分解 (SVD)，用于稳健的奇异值分解近似，对异常值不敏感、可扩展的计算，提供准确的奇异向量估计。该算法通过仅使用标准降秩奇异值分解算法对适当缩放的数据进行两次计算，实现了显著的计算速度，并在计算时间上明显优于竞争算法。为评估估计奇异向量及其子空间的稳健性，我们引入了矩阵型输入的新的破坏点概念，包括按行、按列和按块的破坏点。理论和实证分析表明，与标准 SVD 及其修改相比，我们的算法具有更高的破坏点。我们在高维微阵列数据集的鲁棒低秩逼近和鲁棒主成分分析等应用中，经验地验证了我们方法的有效性。总体而言，本研究提供了一种高效且稳健的 SVD 近似解决方案，克服了现有算法在异常值存在时的局限性。

Feb, 2024

本文研究了在计算阈值附近的一般尖峰张量模型中，对种植的低秩信号进行估计的全面理解。通过使用大型随机矩阵理论中的标准工具，我们表征了数据张量的展开的大维谱特性，并展示了影响信号主要方向可检测性的相关信噪比。这些结果允许准确预测截断多线性奇异值分解（MLSVD）在非平凡区域中的重构性能。这对于更高阶正交迭代（HOOI）方案具有重要作用，其收敛到最佳低多线性秩近似完全取决于初始化。我们给出了 HOOI 收敛的充分条件，并表明在大维极限中收敛之前的迭代次数趋于 1。

Feb, 2024

本文研究了如何从少量线性测量中恢复高阶的低秩张量，介绍了几种张量分解的迭代硬阈值算法，并探讨了其收敛性，界限和性能，考虑了高斯随机测量、张量补全和傅里叶测量等不同情形。

Feb, 2016