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

在这篇文章中，我们提出了一种高效的变分贝叶斯概率 BTD 方法，利用 von-Mises Fisher 矩阵分布对多线性 Tucker 部分在 BTD 中施加正交性，通过合成和两个真实数据集的实验，我们突出了贝叶斯推断过程，并演示了在噪声数据和模型顺序量化中使用所提出的 pBTD 的能力，我们发现概率 BTD 能够量化适用的多线性结构，为多线性数据中模式的鲁棒推断提供了一种方法。

Oct, 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

本论文提出了一个创新的流形正则化 Tucker 分解（ManiRTD）模型，通过引入多元时延嵌入变换，将感官交通状态数据表示为三阶 / 四阶张量，并利用稀疏正则化项改善 Tucker 核的稀疏性以及使用流形正则化和时间约束条件特征化其时空关联，最终在交替近端梯度更新规则下通过块坐标下降框架解决 ManiRTD 模型，并在实际交通数据集上进行数字实验，结果表明所提出的模型在各种缺失情况下优于其他分解方法，并更精确地重建了 STD。

May, 2023

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

提出了一种基于非参数高斯过程的 EFFICIENT NONPARAMETRIC TENSOR DECOMPOSITION（ENTED）方法，通过使用非参数高斯过程取代传统的多线性结构，并利用 PG 增强模型，建立了适用于二进制和计数分布的共轭模型，通过引入稀疏正交变分推理来提高计算效率。在多个真实世界的张量完整任务中对该模型进行评估，结果表明该模型在性能和计算优势方面取得了更好的表现。

Jan, 2024

本文研究了一种高效的参数估计方法，可用于广泛的潜变量模型，特别是那些具有张量结构的模型，包括高斯混合模型、隐马尔可夫模型和潜在狄利克雷分配模型，通过对表示模型可观测矩阵的低阶矩（通常为二阶和三阶）的张量进行分解获得。方法为鲁棒性较强、可有效计算，并可应用于多个流行的潜变量模型。

Oct, 2012

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

本文提出了一种基于混合张量分解方法 (Mixed-TD) 将卷积神经网络 (CNN) 映射到 FPGA 上的框架，该方法采用了层特定的奇异值分解 (SVD) 和标准分解 (CPD)，每个 DSP 可以实现与最先进的 CNN 的 1.73x 至 10.29x 的吞吐量。

Jun, 2023