本文提出一种基于张量环分解的模型，将单个潜在因子相关的、非负的、乘性的更新方法融入到张量分解模型中，分析了张量环分解的特定偏差形式。在两个真实的大规模动态网络上的实验研究表明，该提出的方法比现有模型的准确性更高。

Apr, 2023

该论文介绍了一种动态线性偏差融合方案，用于高维且不完整数据的表征学习，通过将线性偏差向量扩展为矩阵，并建立二进制权重矩阵来动态切换线性偏差的状态，实现了非负潜在因子分析模型的动态线性偏差。实证研究表明，基于该方案的模型在三个真实应用领域的高维且不完整数据集上获得了较高的表征准确度，并具有高竞争力的计算效率。

Sep, 2023

本文提出了一种多限制的对称非负潜因子分析模型，通过引入多种限制和实现交替方向乘子法的学习方案，有效解决了对称高维不完整矩阵在无向加权网络中的特征表达问题。实验证明该模型较现有模型具有更强的表征学习能力。

Jun, 2023

对于展现时空动态响应的系统的演化进行预测是促进科学创新的关键技术，传统基于方程的方法需要大规模并行计算平台和大量的计算成本。相比之下，我们提出了一种名为 Latent Dynamics Network 的新型架构，该架构使用降维和深度学习算法来描述系统演化的低维潜在空间，从而预测空间依赖场对外部输入的时间演化，并在几个测试案例上验证了该方法的高效性和精确性。

Apr, 2023

长序列建模中性能和计算效率之间的权衡成为现有模型的瓶颈，本文基于控制理论中具有多输入和多输出的连续状态空间模型（SSMs），提出了一种新型神经网络，称为线性动力学嵌入神经网络（LDNN）。通过对角化和解耦然后快速傅里叶变换（FFT）的两种高效策略，将卷积的时间复杂度从 O (LNHmax {L, N}) 降低到 O (LNmax {H, log L})，实现了 LDNN 在长序列任务中的少参数、灵活推断和高效训练。我们通过双向非因果和多头设置进一步改进了 LDNN，以适应更广泛的应用领域。对长距离竞技场（LRA）进行了大量实验证明了 LDNN 的有效性和最先进的性能。

Feb, 2024

本文通过引入一种创新的张量完成（TC）模型 - 比例积分导数控制（PID）结合非负张量潜变分析（PNLFT）的方法来解决 NILM 数据损失的问题，实验结果表明与现有模型相比，该模型在收敛速度和准确性方面具有显著提升。

Mar, 2024

本研究采用 Tucker 分解和 PID 控制理论将 LFT 模型进行改进，以提高智能交通系统中交通数据恢复的准确性和 SGD 算法的收敛速度。实验结果表明，改进后的模型在两个城市主要道路交通速度数据集上具有显著的效率提升和高竞争性的预测准确性。

Apr, 2023

本文提出了一种名为 PSNL 的模型，它通过在面向数据密度和对称性的目标函数中加入接近项来提高表示准确性，并通过基于 ADMM 的自适应 TPE 方法实现高效的计算学习方案，从而实现了四个 UWN 上的模拟研究，证明了 PSNL 比最先进的模型实现更高的准确性提高，同时具有高度竞争的计算效率。

Jun, 2023

提出了一种非线性生成模型 fLDS，并使用变分推断技术来拟合该模型，并在两种神经数据集上应用，与最先进的神经人口模型相比，fLDS 可用较少的潜在维度捕捉更多的神经变异，提供更好的预测性能和可解释性

May, 2016

通过使用 Low-Dimensional-Manifold-regularized neural Network 来加强神经网络的特征提取，有效提高了在小样本情况下的泛化能力并且可以应用于同种物体的跨光谱识别。

Nov, 2017