通过结构化稀疏主成分分析（Structured Sparse PCA）来处理数据，该方法通过拟定稀疏模式形状约束所有字典元素的稀疏性形状以实现对数据的高阶信息编码，提出了一种有效而简单的优化过程来解决这个问题，并在人脸识别和蛋白质复合物动态研究等两个相关任务上进行了试验，验证了该方法相对于非结构化方法的益处。

Sep, 2009

通过研究 Le Cam 的连续性，我们探讨了用于检测稀疏向量存在的测试的统计极限，包括非光谱测试，并证明了对于高斯 Wishart 集合，PCA 阈值对于正向 spikes（自然先验）是最佳的，但这并不总是负向 spikes 的情况。

Jul, 2018

本文提出了一种基于有向无环图的稀疏主成分分析的变种方法，通过利用网络信息来优化估计算法，提升算法的统计复杂度和收敛精度，并给出了两种协同求解算法，通过在合成和真实数据集上的大量实验结果验证了算法的有效性。

Jun, 2015

本研究提出了一种新的稀疏 PCA 方法，旨在找到稀疏和几乎不相关的主成分，并具有正交的载荷向量，同时尽可能多地解释总方差。我们还开发了一种新的增广 Lagrangian 方法来解决一类非光滑约束优化问题，该方法非常适合我们的稀疏 PCA 公式。最后，我们将我们的稀疏 PCA 方法与其他方法在合成数据，随机数据和真实数据上进行比较。计算结果表明，我们的方法产生的稀疏主成分在总方差，主成分相关性和载荷向量的正交性等方面显着优于其他方法。

Jul, 2009

本文讨论了两种概率稀疏主成分分析模型：钉住 Wigner 模型和钉住 Wishart 模型，并分析了一个用于估计基本信号的近似信息传递 (AMP) 算法。在高维极限下，AMP 估计是信息理论上的最优。此外，本文提供了稀疏 PCA 问题的单字母特征。

Feb, 2014

研究了检测结构化低秩信号矩阵被加性高斯噪声污染的问题，包括在高斯混合模型中的聚类， 稀疏主成分分析和子矩阵定位。通过将第一和第二时刻方法应用于这些 “种植模型” 和零模型之间的似然比来导出阈值的上下界，我们证明了在信号矩阵过于微弱时没有任何算法可以检测其信号。

Jul, 2016

本文提出了一种新的稀疏主成分分析 (Sparse PCA) 方法，通过优化一个包含在紧致集合上的凸函数的最大化问题，使用一个简单的梯度方法，能够在数据矩阵具有比行更多的列 (变量) 时大幅度减少搜索空间的维度，并在随机和基因表达测试问题上展示了比现有算法更好的解决方案质量和计算速度。

Nov, 2008

本论文研究基于高维独立的高斯观测下，对总体协方差矩阵中的主要特征向量进行估计的问题。研究者们提出了一种基于坐标选择方案结合 PCA 的主要特征向量估计器，并证明了该估计器在稀疏条件下可以达到最优收敛速率。同时，也证明在某些情形下，通常的 PCA 可以达到最小最大收敛速率。

Feb, 2012

本文研究了主成分分析中，如果利用附加到主向量的信息，能否使得任务更容易并提高准确性。在正协方差约束条件下，该文在一峰模型下开发了相似的特征，证明了估计误差也存在相似的相变现象，并且展示在几乎线性时间内如何近似计算非负主成分。

Jun, 2014

通过研究计算复杂性理论，发现在满足一定限制的协方差集中条件下存在有效的样本大小范围，在此范围内无法有随机多项式时间算法达到最佳极小风险率；对著名的半定松弛估计方法的理论性能进行研究，揭示了统计效率和计算效率之间微妙的相互作用，此方法为多维数据稀疏主成分分析提供了一种解决方案。

Aug, 2014