提出一种适应性一阶算法，通过使用 Pareto 最优性的概念来学习保持公平性，同时略微牺牲重构损失的子空间，证明了该算法的解对于所有敏感群体都属于 Pareto 前沿，从而保证了整体重建损失和公平约束之间的最优权衡，并提供了收敛分析和验证了该算法在各种数据集上的优异性能。该算法可有效地将不公平决策降至最低，并可推广至多组敏感特征。

Nov, 2019

本文研究了 PCA 背景下的公平性问题，并提出了 “公平降维” 的定义，即保护类别的信息不能从降维后的数据点推断出来。作者发展了凸优化公式来提高 PCA 和核 PCA 的公平性，并在几个数据集上展示了其有效性。最后，演示了如何使用该方法对健康数据进行公平（针对年龄）聚类，该数据可以用于设定健康保险费率。

Feb, 2018

本文介绍了一种名为主成分追踪的凸型优化方法，能在有噪声或缺损情况下准确分离一个 $ m * n $ 数据矩阵的低秩和稀疏成分，该方法有望应用于视频监控和人脸识别等领域。

Dec, 2009

本文探讨了公平主成分分析 (FPCA) 的问题，并且提出了使用次梯度下降来解决此问题的方法，该方案可以使优化结果更易于计算且结果更精确。

Feb, 2020

本文提出了一种公平的主成分分析方法，该方法使用最大均值差异法对不同保护类别的条件分布进行降维，并将多目标策略与数据降维技术相结合，通过在 Stiefel 流形上的非凸优化过程，优化约束条件下的主成分分析，得到较高的计算效率和分类精确性。使用合成数据和 UCI 数据集进行的实验结果表明该方法在自变量解释度，公平性和运行时间方面均优于现有工作。

Sep, 2021

本文提出了一个针对估算稀疏鲁棒一维子空间的优化框架，通过最小化表示误差和惩罚来实现 l1 - 范数准则的优化。基于线性松弛方法，该算法在计算时间上具有最坏情况下的 O (n^2 m log n) 时间复杂度，并在某些情况下实现了稀疏鲁棒子空间的全局最优解，因此具有多项式时间效率。与现有方法相比，该算法能够找到具有最低不一致性的子空间，同时提供了稀疏性和拟合度之间更平滑的权衡。它的架构具有可伸缩性，对于 2000x2000 矩阵，计算速度相比 CPU 版本提高了 16 倍。此外，该方法独立于初始化，具有确定性和可复制性的优点。通过实际应用示例，证明了该算法在实现有意义的稀疏性方面的有效性，并强调其在各个领域中的精确和有用的应用。

Feb, 2024

本文研究具有多台服务器的分布式计算环境，通过开发 PCA 算法来处理点集的低维子空间问题，进而解决异常检测以及聚类等计算问题，提出的新算法显著降低了 $k$-means 聚类与相关问题的计算以及通讯成本，并且经过实验验证，在解决方案质量方面具有忽略不计的退化。

Aug, 2014

本文介绍了一种名为 “在图上强鲁棒性主成分分析” 的新模型，它将谱图正则化纳入了 Robust PCA 框架中，从而具有主成分丰富性、改进的低秩恢复、改进的聚类性质和凸优化问题等优点，从实验结果来看，模型在聚类和低秩恢复任务方面表现优异，优于其他十种最先进的模型。

Apr, 2015

本文探讨了不同 ially private PCA 方法的理论和实证性能，并提出了一种明确优化输出效用的新方法。我们发现其样本复杂度与现有程序的不同之处在于其与数据维度的缩放，而且在实际数据中，该方法与现有方法相比具有较大的性能差距。

Jul, 2012

在算法数据分析中，通过随机投影到 “公平” 子空间来减少数据中的偏差，我们将这种方法应用于最密子图问题，理论上和实验上都可以恢复一个几乎最优、公平、稠密的子图，并通过匹配逼近上界展示该问题的 NP - 难度特性。

May, 2019