提出了一个基于 HeteroPCA 算法的主成分分析（PCA）框架，该算法通过迭代地填充样本协方差矩阵的对角元素来消除异方差引起的估计偏差，提高了计算效率并在高维统计问题中得到了成功应用。

Oct, 2018

本文分析了高维数据降维方法主成分分析 (PCA) 在异方差噪声干扰下的表现，并通过简化的表达式提供了计算 PCA 成功从噪声数据中恢复样本真实的子空间和子空间系数的方法，证明了在固定平均噪声方差的情况下，异方差噪声下 PCA 的表现总是低于同方差噪声下 PCA 的表现。

Mar, 2017

提出一种新的基于加权方差协方差矩阵的双谱分解方法，旨在在具有加权和 / 或缺失数据问题的情况下，检索给定数量的正交主成分，该方法通过将主成分拟合到数据并进行分解，从而检索主系数。通过在实际情况和模拟情况下进行测试，结果表明该方法能够在数据集中识别最显著的模式，并且可以使用此方法将 Sloan Digital Sky Survey 类星体光谱从测量波长外推至更短和更长波长。同时该算法的实现速度快且灵活。

Dec, 2014

本论文研究基于高维独立的高斯观测下，对总体协方差矩阵中的主要特征向量进行估计的问题。研究者们提出了一种基于坐标选择方案结合 PCA 的主要特征向量估计器，并证明了该估计器在稀疏条件下可以达到最优收敛速率。同时，也证明在某些情形下，通常的 PCA 可以达到最小最大收敛速率。

Feb, 2012

通过研究计算复杂性理论，发现在满足一定限制的协方差集中条件下存在有效的样本大小范围，在此范围内无法有随机多项式时间算法达到最佳极小风险率；对著名的半定松弛估计方法的理论性能进行研究，揭示了统计效率和计算效率之间微妙的相互作用，此方法为多维数据稀疏主成分分析提供了一种解决方案。

Aug, 2014

该论文研究了主成分分析（PCA）在数据和噪声存在相关性或互相依赖的情况下的应用。通过简单的数据和噪声相关性假设，该论文提出了一种基于标准特征值分解（EVD）的 PCA 解决方案的正确性结果，并且提出了一种泛化的 EVD 方案 - cluster-EVD，在特定情况下改善了 EVD。

Aug, 2016

研究 PCA 在高维，低样本大小的情况下的渐近行为，发现在一些充分的条件下，估计的 PC 方向是一致的，其他的方向强不一致，而这些条件在主定理中指定。

Nov, 2009

研究了鲁棒子空间恢复的基本问题，通过解决凸最小化过程来估计 “鲁棒逆样本协方差”，然后通过此矩阵的底部特征向量（其数量对应于接近 0 的特征值的数量）恢复子空间。我们保证在某些条件下精确恢复子空间，同时提出了一种快速迭代算法，可线性收敛到最小化凸问题的矩阵。我们对噪声和正则化的影响进行了量化，并在各种设置中讨论了许多实际和理论问题，以改善子空间恢复。与许多其他鲁棒 PCA 算法相比，在合成和实际数据集上进行了比较，并证明具有最先进的速度和准确度。

Dec, 2011

本文介绍了一种基于经验贝叶斯（Empirical Bayes）的主成分分析（PCA）方法，通过估计主成分的共同先验分布来降低高维的噪声，同时运用了随机矩阵理论的分布结果和近似消息传递算法进行迭代修正，实验验证了该方法可以在有强先验结构的情况下显著提高 PCA 的性能。

Dec, 2020

本文针对特征数比样本个数大的情况，提出了一种新的迭代阈值方法，用于估计主成分空间，这种方法在高维稀疏场景下实现了主成分空间和主要特征向量的一致恢复和最优恢复。模拟实例也证明了其具有竞争性的性能。

Dec, 2011