本文中，我们将低秩矩阵恢复和矩阵补全的理论扩展到矩阵的线性组合或子集的 Poisson 观察结果的情况下，并通过具有矩阵 $M$ 上的合适约束条件的最大似然方法建立了矩阵恢复的理论上下界。同时，我们还开发了一组高效迭代算法，并在合成例子和实际数据上展示了它们的良好性能。

Apr, 2015

本文提出了一种名为 LowRankElim 的算法，该算法能够在一定时间复杂度下对一个非负矩阵寻找其的最大值，并且在文献中该类结果首次出现。

Dec, 2017

本文通过两个针对鲁棒性协作过滤及计算机视觉和自动监视中敏感图的应用来演示我们提出的两步自适应感测和推理方法能够精确地识别具有很少线性数据摘要，例如核心贡献的平方秩与异常值的数量，加上常数和对数因子。

Jul, 2014

使用基于概念的异常检测方法和视觉转换器（ViT），Co-AD 能够检测出零售物品中的放错物品，达到 89.90% 的峰值成功率，比基准的标准 ViT 自编码器的 80.81% 高。此研究旨在开发减少零售店铺管理中人为干预需求的自主移动机器人解决方案。

Oct, 2023

使用凸优化方法，本文针对低秩矩阵加已知压缩矩阵与稀疏矩阵的叠加，建立了确定性条件，恢复了低秩矩阵和稀疏矩阵，对网络异常检测等问题具有重要应用价值。

Apr, 2012

MoatPlus 是一个用于在线市场的可扩展价格异常检测框架，通过利用接近性和历史价格趋势从无监督的统计特征生成上限价格边界，改进了高风险商品子集的准确锚定覆盖率。

Oct, 2023

本文提出一种基于矩阵分解的文本异常检测方法 TONMF，通过低秩逼近和块协调下降优化技术，实现对非负矩阵数据中异常点与自然变化的有效区分。

Jan, 2017

在 Ma 和 Chen 引入的模型的基础上，本文提出了一种两阶段的算法来处理矩阵填充中的观测偏差，并利用共享信息来提高预测性能，经实验证明本算法的表现可与未观测协变量相同，并获得性能提高。

Jun, 2023

研究了检测结构化低秩信号矩阵被加性高斯噪声污染的问题，包括在高斯混合模型中的聚类， 稀疏主成分分析和子矩阵定位。通过将第一和第二时刻方法应用于这些 “种植模型” 和零模型之间的似然比来导出阈值的上下界，我们证明了在信号矩阵过于微弱时没有任何算法可以检测其信号。

Jul, 2016

本文提出了一种基于模型的异常检测方法，Out-of-Bag 异常检测，它可以处理由数字和分类特征组成的多维数据集，将无监督学习问题分解成集合模型的训练。通过对基准数据集的全面实验展示了该方法的最新性能，并通过房屋估值的案例研究展示了其可以作为数据预处理步骤，提高 ML 系统的准确性和可靠性。

Sep, 2020