本文研究了稀疏性转换模型的学习，并提出了交替算法以实现稳健的方阵。研究结果表明，与合成 K-SVD 相比，转换学习在图像降噪中具有良好的性能和显着的加速度。

Jan, 2015

本文探讨了关于稀疏编码的问题，其中每个样本由一组字典原子的稀疏线性组合组成，任务是同时学习字典元素和混合系数。我们考虑交替最小化法来处理此问题，并建立了该方法的局部线性收敛性质；同时还证明了全局最优解的吸引盆的尺寸为 $\order {1/s^2}$，其中 $s$ 为每个样本的稀疏度，字典满足有限鲁棒性原则 (RIP)。与最近的近似字典估计结果相结合，可以为完全恢复字典元素和系数提供可证明的保证，当字典元素不相干时。

Oct, 2013

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

本文采用概率模型研究了稀疏编码的本地最小值问题，在考虑超完备字典和有噪信号的情况下，证明了稀疏编码接近参考字典生成的信号的局部最小值，同时分析了噪声、信号维度、原子数量、稀疏度和观察数量等关键量如何随之缩放。

Oct, 2012

本论文研究了基于稀疏性的数据模型在信号处理和成像应用中的应用。特别关注了稀疏变换学习，提出了基于多层分层扩展的学习算法，并在图像去噪的数值实验中证明了其有效性。多层模型比单层方案具有更好的去噪质量。

Oct, 2018

利用替代最小化算法，本篇论文提出了一种字典学习 / 稀疏编码问题的理论保证算法。与以往的理论分析不同，该算法在真实字典的运算符范数条件上转换为矩阵无穷范数条件，并具有信息理论上的优化稀疏性和适应不同过完备度的特点，同时也确立了算法的样本复杂性上界。

Nov, 2017

本文介绍了一种通过参数化字典学习算法，以将重叠的局部模式表达为不同区域的图表上的图形信号的组合，从而设计数据适应的结构化字典，同时保留局部原子的优点，提高字典在信号处理任务（如压缩、降噪、分类）中的计算效率。

Jan, 2014

该论文探讨了字典学习问题的局部解决方案，基于随机稀疏模型，通过低秩矩阵补全问题的工具，克服了一些技术上的难点，并建立了当样本数满足某些条件时，字典和系数的组合可以成为 L1 范数的局部最优解这一结果。

Jan, 2011

本文研究了一种新的学习方法 —— 结构稀疏学习，它是统计学习和压缩感知标准稀疏概念的自然扩展，通过允许特征集合上的任意结构，该概念推广了近年来流行的组稀疏思想。文中提出了一种基于结构编码复杂度的学习结构稀疏的通用理论。如果目标信号的编码复杂度小，则可以通过使用编码复杂度正则化方法，实现更好的性能；此外，文中还提出了一种结构贪婪算法，该算法在适当条件下近似解决了编码复杂度优化问题，通过实验展示了结构稀疏在一些实际应用中优于标准稀疏的优势。

Mar, 2009

本文提出了一种新的稀疏表示模型，该模型采用共享字典和多个类别判定函数来描述不同类别的信号，并提出了学习该模型所有组件的优化方法，进一步提高了手写数字和纹理分类任务的准确性。

Sep, 2008