本篇论文提出了一种名为 InfTucker 的新的张量分解模型，采用基于贝叶斯模型的 tensor-variate latent nonparametric Bayesian 模型，并结合高效推理方法，适用于多元数据分析，可处理多种数据类型和不确定性，实验结果显示其预测准确性优于现有的最先进的 tensor 分解模型。

Aug, 2011

本研究提出第一个能够在分布式内存上实现 Tucker 分解的并行算法，通过压缩科学模拟产生的大规模数据，尽量保持数据准确性。对使用该算法的真实数据集进行了压缩和精度分析，并提供了详细的性能结果，包括弱和强缩放实验中的并行性能。

Oct, 2015

通过张量分解研究网络压缩的有效性，我们提出了一种后训练 Tucker 分解方法，以减少预先存在模型的计算要求，而不会影响分割准确性。这种方法能够在计算效率和分割质量之间提供可调节的权衡，并且适用于医学图像分割模型的计算需求降低。

Apr, 2024

Tucker 分解是一种处理多方面数据的强大张量模型，本文提出了将其扩展到连续索引数据的功能性贝叶斯 Tucker 分解方法，使用高斯过程作为函数先验，并采用消息传递技术进行可扩展的后验近似计算。

Nov, 2023

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

本文提出了一种新的采样算法 MACH，用于计算 Tucker 分解，能够有效地处理大规模，计算密集型和后期数据分析的多方面数据。

Sep, 2009

我们提出了一种多字典张量分解（MDTD）框架，利用编码字典中关于张量模式的先验结构信息来获得稀疏编码的张量因子。通过实验证明，MDTD 相比无字典方法学习到更简洁的模型，且在重构质量、缺失值插补质量和张量秩的估计等方面均具有明显的改进，而且不会增加运行时间。

Sep, 2023

本文提出一种自适应的维度调整 Tucker 分解网络压缩方法（ADA-Tucker）和其扩展模型 Shared Core ADA-Tucker（SCADA-Tucker），通过学习的核心张量和转换矩阵，实现对高维张量的分解，以及在无需记录非零元素索引的情况下，使 LeNet-5 和 LeNet-300 的存储分别降低了 691 倍和 233 倍，进一步在其他三个基准测试（CIFAR-10，SVHN，ILSVRC12）和现代深度网络（ResNet，Wide-ResNet）上获得了良好的效果。

Jun, 2019

针对高阶张量分解中的模型选择、大规模数据和计算效率等难点，本文提出了一种基于迹范数的正则化并可并行计算的分解方法，能够有效分解低秩结构的张量，并具有较强的鲁棒性。

Jul, 2014

通过平滑分析模型，本文提出了一种针对高度过完备情况（秩多项式于该张量维度）的张量分解的有效算法，且该算法具有鲁棒性，即使输入存在逆多项式误差，其表现依然可靠。该算法的线性独立性结果为我们在学习过程中应用张量方法提供了方便，为多视图模型和轴向高斯混合等学习问题的研究提供了更多的组件维度。

Nov, 2013