本文首次理论分析了交替极小化算法在矩阵完成和矩阵感知问题中的表现，证明了在满足某些条件下，该算法可以快速收敛到真实矩阵，同时具有更简单的分析方法。
Dec, 2012
使用一种基于交替最小化的新算法，在标准不连贯性假设下，可从一个未知的低秩矩阵中恢复随机子样本的条目，并减少至少一次方之秩和相似矩阵的条件数的交替最小化方法的样本大小要求。
Dec, 2013
本文提出了一种新的随机算法，该算法采用特别偏向采样的方法，使误差最小化，可以在光谱范数下利用输入稀疏性生成M的秩-r逼近，并具有 better dependence on error ε，是一种高度可并行化的优化方法。此外，本论文探讨了计算两个给定矩阵的积的小秩逼近的新方法和小通信开销的改进算法。
Oct, 2014
研究了从部分元素中重建低秩矩阵的问题，分析了两种交替最小化算法的变体，证明了当相关矩阵具有秩$r=1$、有界正元素且图的度和直径在矩阵规模的对数范围内时，两种算法都可以在多项式时间内从任意初始状态开始近似重建矩阵，并提供了模拟结果表明基于信息传递更新的第二个算法表现更好。
Feb, 2016
本文提出一种简单的交替最小化算法，提供了带权重低秩矩阵恢复的可证明的等保障，并不需要关于噪声的假设，其误差随交替次数按指数级递减，初始矩阵可以由SVD或随机初始化得到，这是一种非常简单的算法，可以显着扩展矩阵补全的结果，特别是那些存在于现有研究工作中的二进制权重问题。
本研究提出了一种基于矩阵分解的优化方法——双因式梯度下降算法（BFGD），在一定条件下可以实现局部次线性收敛以及全局线性收敛，为实现矩阵分解优化问题提供了一种有效的解决思路。
Jun, 2016
通过定义两种可操作的Schatten模型并设计了一个高效的线性交替极小值算法，有效地解决了在各种等级最小化问题中的矩阵分解问题。
Feb, 2018
本文介绍了一种基于学习的算法来解决低秩分解问题，并且通过学习用稀疏矩阵来代替随机矩阵可以减小近似误差。同时，给出了针对稀疏矩阵学习问题的泛化界及近似算法。
Oct, 2019
本文研究了交替梯度下降算法应用于非对称矩阵分解目标函数的收敛性分析，证明了在充分迭代步数内，随机初始化下可以收敛到较优解，此结果可以为更广泛的非凸低秩矩阵分解问题的收敛分析提供帮助，并在实验中得到了验证。
May, 2023
该研究考虑了平滑函数和矩阵的Schatten-p范数之和的最小化问题，并提出了用于解决非凸低秩最小化问题的加速迭代重新加权核范数方法，其主要创新包括具有秩识别特性的方法和自适应更新策略，通过快速将参数驱动为零，将算法转化为能有效解决平滑问题的算法。
Jun, 2024