本研究主要介绍了张量网络、张量分解、多元分析，低秩逼近以及大数据分析等多个方面，并讨论了其在异常检测、特征提取、分类、聚类分析、数据融合和集成、模式识别、预测建模、回归、时间序列分析和多元分析等领域中的潜在应用。

Mar, 2014

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

矩阵的高维拓展 —— 张量 (tensor) 已在信号处理、数据挖掘和机器学习等领域得到广泛应用，本文旨在为那些想要了解和深入研究张量的研究人员和从业人员提供起点，它包括了基础与应用，如张量秩和分解、基本的张量分解模型及其关系和性质、性能分析、以及一系列的应用。

Jul, 2016

本文探讨了基本的张量网络模型和相关算法，尤其是使用新的数学和图形表示的张量列车（TT）分解。通过张量化和使用量子化张量列车网络实现数据的超级压缩，对大规模数据优化问题进行了分布式表示，并通过优化迭代和近似张量缩并的方式，应用小型矩阵和张量运算来解决一系列难以用经典数值方法解决的问题，例如广义特征值分解，主成分分析 / 奇异值分解和规范相关分析。

Jul, 2014

本文介绍了一种利用子采样张量投影梯度解决海量多维数据的张量回归方法，该方法基于投影梯度法和快速张量幂迭代，利用随机草图进一步加速，理论分析表明，算法能够在固定的迭代次数内收敛到正确的解，内存需求随问题的规模线性增长，并在多线性多任务学习和时空应用上表现出优越的实践性能。

Jul, 2016

本文将全面介绍张量（Tensors）的概念和分解方法，并探讨它们在机器学习中的应用，特别是在无监督学习和多关系数据分析等领域的优越性，同时结合实例研究了张量估计混合模型的基本方法，并提供了相关软件类库的参考。

Nov, 2017

介绍了一种基于混合线性建模和子空间聚类技术的自适应、多尺度张量分解方法，旨在降低大型和多模态数据的维度和表示复杂度。该方法在多个真实张量信号的维数约简和分类问题中表现良好。

Apr, 2017

本研究旨在探讨多维时间数据的分类，考虑到数据预处理和尺度调整对模型准确性的影响，研究测试了 7 种不同的数据转换方法和 4 个时间维度，通过测定五种不同方法的分类准确度来说明多元时间序列数据的处理方法的影响。研究表明，在大多数数据集上，最佳数据转换维度配置相对于具有相同超参数并且不经过尺度调整的模型，可以提高 0.16 到 76.79% 的分类准确度，并且不同特定数据集和分类器的最优配置不尽相同。

Oct, 2022

基于张量的方法可以对从社交网络到健康数据和电影观看模式等各种领域中涌现出的大规模、多层面、动态的图数据进行挖掘，包括发现静态和动态图数据中的凝聚社区和模式。

Oct, 2022

本文介绍了受物理中粗粒化方法启发的相似算法如何适用于数据，并基于分层树张量网络，在输入维度和数据集大小的线性比例上进行缩放，使用无监督算法计算大多数层，然后仅针对 MNIST 和 fashion-MNIST 数据集的顶层进行监督分类的优化，得到了非常好的结果，并讨论了将监督权重的先验猜测与数据的无监督表示相混合，从而得到数量较少的特征，但依然能够获得良好性能。

Dec, 2017