本文提出了一个解决低秩和 / 或稀疏矩阵最小化问题的一般框架，使用迭代重新加权最小二乘（IRLS）方法来解决混合低秩和稀疏最小化问题，例如用于解决 Schatten-p 规范和 ell_2,q-norm 规范的低秩表示问题，理论证明了所获得的解为静止点，并在合成和实际数据集上进行了广泛的实验以证明其有效性。

Jan, 2014

本文提出了谐波均值迭代加权最小二乘（HM-IRLS）算法，应用于从不完整的线性观测中恢复秩为 r 的矩阵 X，通过一系列低复杂度的线性问题求解，以优化非凸的 Schatten-p 准范罚项，以提高低秩性。HM-IRLS 算法具有三个主要优势，尤其是在矩阵完成设置中：第一，算法自变量对于相关感兴趣的情况下以低秩矩阵呈现出显着的全局收敛性；第二，即使线性观察值的数量非常接近理论下界 r（d1+d2-r），HM-IRLS 表现出接近 1 的经验恢复概率；第三，如果线性观察满足适合的零空间属性，则 HM-IRLS 表现出局部超线性收敛速度（2-p）的优势。

Mar, 2017

基于最小二乘估计的迭代算法可以用于重建低秩矩阵，并且针对线性结构的矩阵和正半定矩阵等具有先验知识的矩阵，有更好的性能，称为交替最小二乘 (ALS) 算法，并通过模拟实验和 Cramér-Rao 下界进行了比较。

Jun, 2012

使用迭代重加权最小二乘算法，同时结合核范数和近似低秩解的最小化，有效地从少量线性测量中恢复矩阵，并通过实验证明在矩阵完成问题中具有竞争力。

Oct, 2010

提出一种新的算法来恢复数据，该数据符合多个异构低维结构，并专注于同时为行稀疏和低秩的数据矩阵，该算法能够利用两种结构。

Jun, 2023

提出了一个迭代算法，用于低秩矩阵完成，可以解释为迭代重新加权最小二乘（IRLS）算法和应用于非凸秩代理目标的鞍点逃逸平滑牛顿方法，它结合了先前 IRLS 方法的有利数据效率与几个数量级的可伸缩性的改进。我们的方法在样本数量接近信息理论极限时就达到了局部二次收敛速度，并在数值实验中表明，与许多现有方法不同，我们的方法能够在样本很少的情况下完成条件数高达 $10^{10}$ 的非常病态的矩阵。

Sep, 2020

本文研究使用迭代加权最小二乘算法（IRLS）促进稀疏和可压缩向量恢复中的 l1 最小化，证明其收敛性和估计局部速率，并且展示了如何修改算法，以便在 t 小于 1 时促进 lt 最小化，并且这种修改有着超线性的收敛速率。

Jul, 2008

本文研究了低秩矩阵恢复的一类黎曼优化算法，证明了当感知算子的受限等距常数小于 Cκ/√r 时，算法能够从几乎最小的测量中恢复低秩矩阵。

Nov, 2015

提出了一种基于学习的稀疏和低秩约束的图像恢复新优化算法，并将其和现有算法进行了比较和评估。

Apr, 2023

本研究提出了一个新的模型以及应用交替最小化算法和两种自适应秩调整策略同时对低秩张量进行低秩矩阵分解，结果表明，该算法可以在比其他方法更少的数据采样下恢复各种合成低秩张量，而且实际数据的测试结果也有类似优势。

Dec, 2013