提出了一种能够处理时间信息的流式数据的张量分解方法，使用高斯过程模型因子轨迹并通过构建等效的随机微分方程实现在线过滤估计，有效捕捉对象表示的时序演化。

Oct, 2023

本文提出了一种分布式、灵活的非线性张量分解模型，通过可避免昂贵的计算以及提供高质量推理的上限，它能够克服传统张量分解模型中的限制，并展现出在 CTR 预测方面的巨大潜力。

Apr, 2016

本篇论文提出了一种名为 InfTucker 的新的张量分解模型，采用基于贝叶斯模型的 tensor-variate latent nonparametric Bayesian 模型，并结合高效推理方法，适用于多元数据分析，可处理多种数据类型和不确定性，实验结果显示其预测准确性优于现有的最先进的 tensor 分解模型。

Aug, 2011

应用非负张量因式分解方法在穿戴式传感器数据集 StudentLife 中，提取潜在的时间因素和相似个体群组，成功发现了表现良好的个体和常常从事休闲活动的个体，从而揭示了数据的低维结构。

May, 2019

提出了一种基于 tPARAFAC2 的张量分解方法，通过时间正则化从时间数据中准确提取逐渐演变的模式，通过对合成数据的广泛实验表明，tPARAFAC2 可以更好地捕捉底层演变的模式，优于 PARAFAC2 和带有时间平滑正则化的耦合矩阵分解。

Aug, 2023

研究时间网络中的介观结构和通过使用非负张量分解技术提取社区活动结构和跟踪它们在时间上的变化。

Aug, 2013

本文提出了用于计数张量数据的贝叶斯非负张量分解模型，并开发了可用于处理海量张量的可扩展推理算法（批处理和在线推理），以及一系列实际应用。

Aug, 2015

本文提出了一种贝叶斯时间分解（BTF）框架，用于在存在缺失值的情况下对多维时间序列进行建模，通过将低秩矩阵 / 张量分解和向量自回归 (VAR) 过程集成到一个概率图模型中，该框架可以表征大规模时间序列数据中的全局和局部一致性，并开发了有效的 Gibbs 采样算法进行模型推断和预测，在多个缺失数据和滚动预测任务上验证了该框架的显著优越性。

Oct, 2019

本文研究了一种高效的参数估计方法，可用于广泛的潜变量模型，特别是那些具有张量结构的模型，包括高斯混合模型、隐马尔可夫模型和潜在狄利克雷分配模型，通过对表示模型可观测矩阵的低阶矩（通常为二阶和三阶）的张量进行分解获得。方法为鲁棒性较强、可有效计算，并可应用于多个流行的潜变量模型。

Oct, 2012

文章提出了一种新的基于张量分解的方法用于学习混合线性动态系统，在不需要分离条件的情况下，可以与 Bayes 最优分簇竞争，在具有挑战性的部分观测情况下工作。

Jul, 2023