本文提出了一套通用的框架用于理解交替最小化原理并分析已有的稀疏编码算法，同时设计了具备可证明保障的新算法并在简单的神经结构上实现；给出了首个高效的稀疏编码算法，可以接近或超过用于不相关字典稀疏恢复的信息理论极限，同时改善了现有方法的样本复杂度。

Mar, 2015

本篇论文采用概率模型，证明了采用稀疏编码时在字典生成的参考信号附近可以找到局部极小值，同时考虑过完备字典、噪声信号和可能出现的异常值，这一分析是非渐近的，可以帮助理解信号维度、原子数量、稀疏度和观察次数等关键问题如相干性或噪声级别的比例关系。

Jul, 2014

该研究提出了针对一类矩阵的可证明算法，可以实现字典学习中向量的稀疏表示，达到高度压缩，从而降低字典的存储成本和计算复杂度。

Jan, 2014

本文研究了在存在噪声的情况下，字典学习目标函数最小化可能无法恢复实际字典，在此基础上，提出了一种新的掩模目标函数，并证明了最小化此新函数可以恢复实际字典。实验证明，这种新的目标函数比标准的重构目标函数具有更好的经验性能。

Feb, 2023

本文研究预测性稀疏编码的推广性能，提出了学习界限并通过稳定性特征刻画了稀疏编码器的性质，进而在超完备和高维情况下提供了精确的估计.

Feb, 2012

字典学习方法在解决复杂的反问题方面不断受到关注。本文提出了一种工作流程来简化字典匹配过程，通过压缩字典和利用贝叶斯框架处理建模误差，以及使用组稀疏编码方法来识别不相关的子字典，然后通过稀疏编码解决匹配问题。证明了字典压缩误差的补偿和使用组稀疏编码方法对原始字典进行缩小的有效性，通过应用到 LIGO 实验和高光谱遥感中的故障检测问题来进行说明。

Sep, 2023

利用高级别表示数据来帮助无监督学习任务的稀疏编码算法，通过 L1 正则化凸优化算法从无标签类别的高级别表示数据中推导出的优化解，以此描述使用稀疏编码的深度学习算法。

Apr, 2014

本论文基于凸聚类的最新研究工作，提出了一种用于稀疏编码问题的新公式，通过凸松弛稀疏编码问题并导出增强算法解决局部最小值问题，并将其成功地应用于图像去噪任务中。

May, 2012

本文探讨人类的高效持续学习如何通过多个记忆系统的神经生理机制和相互作用来实现，同时介绍了一种基于稀疏编码和多重记忆回放机制的神经网络模型，该模型可以减少遗忘。

Dec, 2022

本文介绍了关于稀疏模型及其应用的多学科研究，主要涉及模型选择、稀疏编码、图像识别和图像处理等领域。本文针对数据的学习和适应性字典，提供了一种自包含的稀疏建模方法，已在各种领域中获得成功应用。

Nov, 2014