提出了一种新的双层投影方法，其 l1,inf 范数在矩阵中的时间复杂度仅为 O (nm)，在具有完全并行能力时为 O (n+m)，同时还将方法推广到张量，并提出了一个引发线性并行加速和指数加速因子的分解的多级投影方法，结果是时间复杂度的下限为维度之和。实验证明，该双层 l1,inf 投影方法比文献中提供的最快算法快 2.5 倍，同时在神经网络应用中具有相同的准确度和更好的稀疏性。

May, 2024

本文研究了在多种范数下，通过稀疏随机矩阵 X 逼近实数矩阵 A 的问题，其中包括了图算法中更适用的 $(\infty,1)$ 范数和 $(\infty,2)$ 范数。文章提出的界限适用于大多数随机稀疏化模式，证明了 $(\infty,1)$ 和 $(\infty,2)$ 误差评估的最优性。文章还给出了当 X 的元素被均匀限制时三个范数的浓度结果。

Nov, 2009

本文探讨了使用 l1 惩罚解决几乎稀疏线性逆问题的正则化方法，并提出了一种基于投影梯度方法并使用可变阈值参数的迭代软阈值算法的替代方案。

Jun, 2007

本文提出了一种新的稀疏嵌入矩阵，通过使用这种矩阵，可以实现超约束最小二乘回归、低秩逼近、所有梁角得分的近似和 $l_p$- 回归问题的 $(1+\varepsilon)$- 近似，其时间复杂度的主导项是 $O (\nnz (A))$ 或 $O (\nnz (A)\log n)$。

Jul, 2012

提出了一种低失真度嵌入方法，在线性代数问题中得到广泛应用，支持 l_2 误差损失最小回归以及 (1±ε) 失真度的 l_p 子空间嵌入，包括一种基于输入稀疏性的 l_p 子空间采样过程。

Oct, 2012

本研究提供了两种简单的 $l_2$ 线性映射降维构造方法，通过使用稀疏嵌入矩阵使扭曲度达到 $1 + \varepsilon$，并在行数方面达到渐近优化，从而实现子常数稀疏，在所有参数值方面均优于先前的研究，并可用于加速应用程序中的 $l_2$ 维度约减。

Dec, 2010

提出了一种基于新原子范数的凸形式，用于稀疏矩阵分解问题，其中假设因子的非零元素个数是固定和已知的，可应用于稀疏 PCA，子空间聚类和低秩稀疏双线性回归等。使用主动集算法解决了该凸问题。

Jul, 2014

本文介绍了一种使用低秩 SVD 计算的简单启发式算法，使得标准一阶方法可以实现局部收敛，并可用于平滑凸规划的计算，以及带缩放梯度正则化和约束半正定矩阵上的计算。这些计算为机器学习，信号处理和统计学等领域中底秩矩阵恢复问题提供了实质性帮助。

Feb, 2019

本文提出了一种基于线性规划的 L1 最小化方法，用于估计稀疏逆协方差矩阵和选择图模型，其直观易用、收敛速度快且效果优于现有方法，适用于实际数据分析。

Feb, 2011

本文实现了基于凸松弛和非凸约束的高维学习问题，包括量子重构、稀疏密度估计和组合优化等领域，以简单形式解决这些问题。

Jun, 2012