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

该论文发展了一种广义的低秩张量分解（GCP），使其可以适用于二进制或计数数据，其中除了平方误差损失函数外，还可以使用逻辑损失或 Kullback-Leibler 散度损失函数，我们提供了基于统计动机的多种损失函数，为计算梯度和处理缺失数据提供了广义框架，从而可以使用标准优化方法来拟合模型，在社交网络，老鼠的神经活动和印度的月降雨数据等几个真实世界的例子中展示了 GCP 的灵活性。

Aug, 2018

该研究论文介绍了基于张量分解方法的高阶时刻谱方法及其计算技术，也提出了一个名为 Tensorly 的 Python 数组操作工具， 具有良好的灵活性和兼容性，能够与多种深度学习框架结合使用来学习广泛的潜在变量模型。

Apr, 2020

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

提出了一种新颖的上下文感知异常检测算法 GridCAL，它考虑了常规拓扑和负荷 / 发电变化的影响，通过将实时功率流测量值转化为上下文不可知的值，以统一的统计模型为基础进行异常检测。数值模拟结果表明，该方法准确且计算效率高，优于当前最先进的方法。

Apr, 2024

这篇论文介绍了一种新的后门检测方法，它使用了两种张量分解方法应用于网络激活，相对于现有的检测方法具有多种优势，包括能够同时分析多个模型，适用于各种网络架构，对于改变网络行为的触发器不做任何假设，并且计算效率高。在 MNIST 手写数字数据集、CIFAR-10 数据集以及 NIST 的 TrojAI 比赛中的两个难数据集上，我们提供了检测流程的详细描述和结果。这些结果表明，相对于当前最先进的方法，我们的方法更准确、更高效地检测到了植入后门的网络。

Jan, 2024

本文提出了一种细粒度的自适应异常诊断方法（即 MAD-Transformer）来识别和诊断多元时间序列中的异常行为，并通过比较残差矩阵与原始矩阵来确定和诊断异常，实验证明 MAD-Transformer 可以适应性地检测短时异常，并在噪声鲁棒性和本地化性能方面优于现有的基线模型。

Mar, 2024

本文介绍了一种具有图形结构的 DNN 模型 - 网络转换器 (NeT)，用于检测工业控制系统中的异常，提供了分层次的功能，可以分析网络行为，提升了可解释性。

Feb, 2022

本文提出了一种新的基于数据驱动的系统范围异常检测框架，其基于符号动力学的概念构建了一种时空特征提取方案，用于发现和表示 CPS 子系统之间因果相互作用，结果表明，该框架可以用于捕获多种正常模式并检测若干的从低级子系统到高级子系统的故障传播路径。

Dec, 2015

本文介绍了一种基于傅里叶 PCA 的矩阵分解算法，并应用其解决了 ICA 问题和混合高斯模型学习问题。

Jun, 2013