该论文提出了一种新的张量补全问题的公式，以张量列车 (TT) 秩的形式介绍了该公式，可以通过平衡的矩阵化计算有效地捕获张量的全局信息。两种算法被提出来解决相应的张量补全问题。

Jan, 2016

通过构建动态图的数学模型，将新颖的图平滑正则化方法与张量分解模型相结合，解决了关于张量恢复的问题，从而获得了统计一致性的保证。

Oct, 2023

该研究提出了一种利用边缘信息来提高推荐系统性能的新框架，并通过实验证明，该推荐系统在准确率和收敛速度上优于其他最先进的模型。此外，该研究还探讨了关注机制的新型正则化损失，并提出了进一步改进的一些见解。

Jun, 2024

本文提出一种新颖的张量完成方法，基于张量列车 (TT) 秩，提出了新的优化公式和算法。其中，SiLRTC-TT 是通过在 TT 秩的基础上最小化核范数实现的，TMac-TT 是通过基于多线性矩阵分解来逼近张量 TT 秩。文章还提出了一种向高阶张量转换的方法以增强 SiLRTC-TT 和 TMac-TT 的有效性。仿真结果表明该方法在彩色图像和视频恢复方面具有明显优势。

Jun, 2016

本研究考虑在张量完成问题中学习非负低秩张量，并使用对偶理论提出了一种新颖的分解方法，分解将非负约束与低秩约束解耦。所得问题是流形上的优化问题，并提出了 Riemannian 共轭梯度的变种来解决它。实验结果表明，所提出的方法优于许多最先进的张量完成算法。

May, 2023

本文提出了一个灵活的自动摘要模型，利用统一主题编码器和三元对比学习，将单一或多模侧面信息与文档在相同语义空间内对齐。 在三个常用总结数据集上优于强基准线。

May, 2023

该论文从大数据分析的角度，提出了近期在 Tensor 补全算法方面的多项发展，包括 Tensor 补全算法、附加信息的 Tensor 补全算法、可伸缩的 Tensor 补完算法和动态 Tensor 补全算法。此外，论文总结了 Tensor 补全算法在现实世界数据驱动问题中的应用和常见的实验框架，并展望了未来在此领域的挑战和研究方向。

Nov, 2017

本文提出了一种框架，通过控制学习模型的结构以反映特征之间的相似性，并利用特征旁路信息来提高模型预测性能，实验证明该方法在多个基准数据集上均获得了显著的预测性能提升。

Mar, 2017

研究了利用社交或项目相似性图作为辅助信息的矩阵完成问题，开发了一种通用、无参数、计算效率高的算法，该算法从分层图聚类开始，然后迭代地在图聚类和矩阵评级上进行估计。在考虑社交图和低秩评级矩阵模型下，我们证明了我们的算法达到了最大似然估计推导的观察矩阵条目数量的信息熵界限（即最优的样本复杂度）。利用社交图的分层结构相对于仅仅识别不同群体而不诉诸它们之间的关系结构可以获得显著的样本复杂度增益。我们在合成和实际数据集上进行了广泛的实验，以验证我们的理论结果，并证明相对于利用图侧信息的其他矩阵完成算法，我们的算法具有显著的性能改进。

Jan, 2022

本研究提出了一种主动式矩阵完成算法，通过查询真实矩阵来克服数据不完备造成的不足信息问题，可以在仅查询少量条目的情况下高精准度地重构缺失的矩阵，并通过实验验证了该算法的高效性和精度。

May, 2017