该研究探讨如何将矩阵分解为多个稀疏矩阵，提出了一种在随机性和稀疏性假设下的算法，该算法能够恢复深度学习网络中各层之间边的结构、隐藏单元的值，矩阵分解、稀疏恢复、字典学习与深度学习之间具有密切关联。

Nov, 2013

该论文介绍了一种算法，旨在通过将相应矩阵近似因式分解为少量稀疏因子，降低应用高维线性算子的复杂度，该方法依赖于近期非凸优化的进展，首先进行详细的解释和分析，然后在字典学习图像去噪和逆问题中展示实验效果。

Jun, 2015

使用 $L_0$- 范数正则化技术稀疏化深度强化学习策略，通过低秩分解提供压缩效果，以减少计算资源消耗和限制过拟合。

Mar, 2024

该论文提出了一种新的因子分解模型，它将低秩矩阵和线性子空间约束分离开来，从而使得优化问题在 Riemannian spectrahedron 流形上得以求解。实验证明，该方法在标准 / 鲁棒 / 非负矩阵补全，Hankel 矩阵学习和多任务学习等问题上具有较高的效率。

Apr, 2017

该论文综述了基于低秩矩阵和稀疏矩阵分解的鲁棒子空间学习和跟踪算法，对现有算法进行了测试和排名，结果表明有 32 种不同的鲁棒子空间学习 / 跟踪方法在背景 / 前景分离中有不同的表现。

Nov, 2015

本文介绍了一种基于非负矩阵因式分解和补全问题的算法，可以通过同时利用非负性和低秩性来获得更好的结果，并通过基于交替方向增广 Lagrange 方法的算法来解决该问题。该算法优于现有算法，并可用于恢复不完整图像。

Mar, 2011

本文介绍了一种用于构建随机算法的模块化框架，以进行矩阵分解，通过随机抽样识别矩阵的大部分内容，并将输入矩阵压缩到子空间，这种方法在精度、速度和鲁棒性方面都比传统方法更具优势，能够更好地解决大数据集合的问题。

Sep, 2009

本研究提出了一个新的模型以及应用交替最小化算法和两种自适应秩调整策略同时对低秩张量进行低秩矩阵分解，结果表明，该算法可以在比其他方法更少的数据采样下恢复各种合成低秩张量，而且实际数据的测试结果也有类似优势。

Dec, 2013

本文介绍一种 “softImpute” 算法，将 matrix-completion 问题的两种流行的方法：核范数规则化矩阵逼近和最大间隔矩阵分解结合，且在大矩阵逼近和补全方面表现更好。

Oct, 2014

本文提出了一种基于深度学习的 k - 空间插值方法，该方法结合卷积神经网络和数据驱动框架，并且可以轻松应用于非 Cartesian k-space 轨迹。实验结果表明，该方法在压缩感知中具有较好的性能。

May, 2018