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

通过提出 SPARTan 方法，我们得以解决 PARAFAC2 运算大规模、稀疏数据时的效率问题。在通过真实病例进行的评估中，我们发现 SPARTan 在表现上胜过了过去的实现，并以高效的方式获得了对于复杂医学病例下几位小患者的临床意义刻画及其时间进化路径的结果。

Mar, 2017

为了捕捉底层演化模式，引入了具有时间平滑正则化的 tPARAFAC2，使用交替优化和交替方向乘法器方法实现模型拟合。在处理丢失的数据方面，对比了不同方法，结果表明时间平滑正则化的有效性。

Jul, 2024

基于耦合矩阵和张量分解的数据融合模型是从多个数据源联合分析数据的有效工具。本文介绍了一种灵活的算法框架，利用交替优化和交替方向乘子法来适应基于 PARAFAC2 的 CMTF 模型，允许在所有模式和线性耦合到其他矩阵、CP 或 PARAFAC2 模型上施加各种约束。实验证明了该框架的实用性和多功能性，并与最先进的方法相比，在准确性和效率方面具有优势。

Jun, 2024

本文提出了一种名叫 DFacTo 的优化算法，利用 Khatri-Rao 乘积的特性，从而显著加速广泛应用于张量分解中的 ALS 和 GD 两个算法，且只需要进行两个稀疏矩阵向量乘积，易于并行化，且相较于其他算法平均快 4 至 10 倍，特别是在大规模数据集上。

Jun, 2014

本研究提出了一种基于协同优化和单向距离方法（AO-ADMM）的新的 COPA 方法，该方法的目的是解决 PARAFAC2 模型的因子分解在应对时空约束时的可解释性不足和噪声敏感性等问题。通过实验，COA 方法比以前的 PARAFAC2 方法更快，并取得了与在精度方面与前者相同的表现。

Mar, 2018

本文研究了常量内存和具有单个传递特性的分布式算法与两个阶段随机算法之间的比较，以及分布式计算，过采样和内存权衡对这两种算法的准确性和性能的影响，使用的实际数据是英文维基百科的全部内容，在 Latent Semantic Analysis 应用中。

Feb, 2011

本研究提出了一个新的模型以及应用交替最小化算法和两种自适应秩调整策略同时对低秩张量进行低秩矩阵分解，结果表明，该算法可以在比其他方法更少的数据采样下恢复各种合成低秩张量，而且实际数据的测试结果也有类似优势。

Dec, 2013

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。

Mar, 2014

本文提出了一种名为 SPC 的 “平滑 PARAFAC 张量完整化” 的方法，该方法为视觉数据快速提供了高效的算法，其采用总变分和二次变分策略来施加平滑性约束，并在模型学习中调用相应的算法，经广泛实证评估，较其他具有代表性的张量完整化方法具备更好的预测性能和效率。

May, 2015