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

利用高级别表示数据来帮助无监督学习任务的稀疏编码算法，通过 L1 正则化凸优化算法从无标签类别的高级别表示数据中推导出的优化解，以此描述使用稀疏编码的深度学习算法。

Apr, 2014

使用基于 spike-and-slab sparse coding 的新特征学习和提取程序，通过适合于 GPU 的推理过程来克服大数量类的对象识别中标记样本数量的不足，并证明其在 CIFAR-10 和 CIFAR-100 数据集上能够提高监督学习性能和比以前的方法更好地扩展到大量的类别，从而成功赢得了 2011 年 NIPS 工作坊中的挑战

Jun, 2012

该论文提出了使用稀疏组套索惩罚来适应神经网络以解决非参数高维问题，其中真实功能位于低维子空间中，并对统计收敛性进行了表征。

Nov, 2017

本文介绍了关于稀疏模型及其应用的多学科研究，主要涉及模型选择、稀疏编码、图像识别和图像处理等领域。本文针对数据的学习和适应性字典，提供了一种自包含的稀疏建模方法，已在各种领域中获得成功应用。

Nov, 2014

研究的主要问题是如何在稀疏编码的上下文中学习超完备词典，其主要结果是提出了一种近似恢复未知词典的策略，该算法是一种聚类风格的过程，其中每个聚类用于估计一个词典元素，并提供了一种简单的场景，其中 $\ell_1$ - 正则化回归可用于第二阶段。

Sep, 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

在本文中，我们提供了确定稀疏编码和字典唯一性的条件，并利用组合矩阵理论推导出保证其唯一性的采样大小的界限，从而使得任何对数据进行稀疏约束学习的算法能够成功地复原原始的稀疏编码和字典，并探讨了其在神经科学和数据分析方面的潜在应用。

Jun, 2011

本文主要介绍了一种新的基于随机逼近的在线优化算法，用于解决以学习基础集合和将其适应特定数据为主的大规模矩阵分解问题，其在各种矩阵分解方面有良好的表现，并在自然图像和基因数据上进行的实验中具有速度和优化方面的先进性能。

Aug, 2009

本文提出了一种基于 spike-and-slab 稀疏编码的因子模型，使用结构化变分推断和变分 EM 算法进行训练并得到与 CIFAR-10 和 STL-10 数据集上最先进的自学习和半监督学习表现，并赢得了 NIPS 2011 年挑战性学习分层模型转移学习竞赛的冠军。

Jan, 2012