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

研究单层神经元网络如何执行在线对称非负矩阵分解（SNMF）的假设，通过导出基于 SNMF 成本函数的在线算法，可以实现具有局部学习规则的生物学上可行的网络。该算法具有软聚类和稀疏特征发现能力，是一个阶段性的研究，可以促进大规模神经电路模拟和生物启发式人工智能。

Mar, 2015

本文提出了一种基于动量梯度下降的非线性潜在张量因子分解模型 (MNNL)，可从高维不完整张量 (HDI) 中提取非负潜在因子，改善了传统 LFT 模型的训练问题，提高了预测准确性和收敛速度。

May, 2023

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

本研究提出了一种更灵活的模型，称为加权 Schatten p - 范数最小化，用于恢复低秩矩阵。该模型不仅提供了更好的低秩矩阵逼近，并且考虑了不同秩分量的重要性。使用加权 Schatten p - 范数最小化在低级视觉问题（如图像去噪和背景减法）方面，相对于现有方法，可以更有效地去除噪声，对复杂和动态场景进行建模。

Dec, 2015

采用潜空间模型，利用链接函数建模平均耦合缔结及数据扩充进行广泛扩展，应用该方法于计数耦合缔结和非负实耦合缔结的模型分析模拟数据以及移动电话数据与国际贸易数据，通过马尔科夫蒙特卡罗算法评估模型参数和潜在演员轨迹获得对网络动力学的深入洞见。

May, 2020

本文提出了一种投影基准重量归一化 (PBWN) 的方法，通过将每个神经元的输入权重限制在单位范数上，以达到优化 DNN 性能的目的。实验表明，该方法在许多不同的 DNN 体系结构上均能提高性能，并且能够在 permutation invariant MNIST 数据集上实现半监督学习方面的超越表现。

Oct, 2017

该论文提出了一种基于规范化拉普拉斯矩阵的正交对称非负矩阵三因式分解的方法，用于在复杂网络中进行社区检测，在包括稀疏和高度异质性的图中均表现良好，并且比现有技术表现更优。

May, 2016

本研究提出了一种基于非对称核的泛化途径来研究基于核的网络的逼近能力，使用了一系列核并得出了与输入空间维度相比具有较小光滑度的函数逼近结果。

May, 2023

我们提出了一种新的半监督对称非负矩阵分解模型，通过为通过对称约束矩阵和嵌入矩阵转置的乘积得到的相似度矩阵合成的张量寻找低秩表示，同时从全局角度加强这两个矩阵，然后通过增强的 SNMF 模型使嵌入矩阵适应此张量低秩表示，最终通过强化的相似约束来改进相似度矩阵，重复上述步骤进一步提升相似度矩阵和约束矩阵，从而得到高质量的嵌入矩阵。我们的方法在大量实验证明了其优越性。

May, 2024