本研究主要介绍了张量网络、张量分解、多元分析，低秩逼近以及大数据分析等多个方面，并讨论了其在异常检测、特征提取、分类、聚类分析、数据融合和集成、模式识别、预测建模、回归、时间序列分析和多元分析等领域中的潜在应用。
Mar, 2014
本文从信号处理角度提供了关于高阶张量分解的全面介绍，包括基本的 CP 和 Tucker 模型，通过多种数据处理方法提供更加灵活和自然的潜在因素；研究表明张量分解可用作现代信号处理、数据分析和机器学习应用的最有效和最有前途的工具。
介绍了一种基于混合线性建模和子空间聚类技术的自适应、多尺度张量分解方法，旨在降低大型和多模态数据的维度和表示复杂度。该方法在多个真实张量信号的维数约简和分类问题中表现良好。
Apr, 2017
本文提出了一种名为 CubeScope 的高效方法，针对高维状态随时间变化的数据流，通过识别 “regimes” 和 “components” 两种模式进行多维总结和隐含群组发现，可应用于数据压缩、异常检测、模式发现等领域。实验结果表明，CubeScope 比现有的方法更快更准确地发现有意义的模式和异常。
Mar, 2023
本文将全面介绍张量（Tensors）的概念和分解方法，并探讨它们在机器学习中的应用，特别是在无监督学习和多关系数据分析等领域的优越性，同时结合实例研究了张量估计混合模型的基本方法，并提供了相关软件类库的参考。
Nov, 2017
本文提出了一种新的采样算法 MACH，用于计算 Tucker 分解，能够有效地处理大规模，计算密集型和后期数据分析的多方面数据。
Sep, 2009
本文提出了一种多方面的网络嵌入框架，名为 asp2vec，该框架通过动态分配每个节点的不同方面，从而提高了嵌入质量，并能够轻松地扩展到异构网络。
Jun, 2020
矩阵的高维拓展 —— 张量 (tensor) 已在信号处理、数据挖掘和机器学习等领域得到广泛应用，本文旨在为那些想要了解和深入研究张量的研究人员和从业人员提供起点，它包括了基础与应用，如张量秩和分解、基本的张量分解模型及其关系和性质、性能分析、以及一系列的应用。
Jul, 2016
提出了一种基于字典的时间图信号分解框架（TGSD），可以处理来自真实世界中的多个不同领域的时间序列数据， 并且通过结合时间和图形字典来学习数据的联合编码，实现了丢失数据的处理和提高时间插值性能.
Jun, 2021
本文探讨了基本的张量网络模型和相关算法，尤其是使用新的数学和图形表示的张量列车（TT）分解。通过张量化和使用量子化张量列车网络实现数据的超级压缩，对大规模数据优化问题进行了分布式表示，并通过优化迭代和近似张量缩并的方式，应用小型矩阵和张量运算来解决一系列难以用经典数值方法解决的问题，例如广义特征值分解，主成分分析 / 奇异值分解和规范相关分析。
Jul, 2014