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

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

本文提出了一种新的方法 —— 使用功能性张量列 (BT) 来表示和计算多元函数，该算法通过将三维张量矩阵与一维矩阵函数替换，可以生成比基于张量乘积基础的系数压缩方法更准确、更稳健的多元函数逼近。

Oct, 2015

该研究提出了一种名为 “NONFAT” 的方法，它使用高斯过程先验和稀疏变分学习算法来实现动态张量分解，以分析伴随有时间信息的多维数据，并应用于多种实际应用中。

Jul, 2022

我们提出了个性化的 Tucker 分解 (perTucker)，来解决传统张量分解方法在捕捉不同数据集间异质性方面的局限性。通过将张量数据分解为共享的全局分量和个性化的局部分量，学习不同数据集间的独特和共同表示，我们证明了 perTucker 在异常检测、客户分类和聚类等方面的有效性。

Sep, 2023

使用 Tucker 分解模型，配合贝叶斯方法与马尔可夫蒙特卡罗算法进行变量选择，取得高准确率的分类模型，使其适用于高维分类数据并解决标记互制问题。

Jan, 2013

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

我们开发了一种新的方法 HTBB 用于多维黑盒逼近和无梯度优化，它基于低秩分层 Tucker 分解，并采用 MaxVol 指标选择过程。通过对 14 个复杂模型问题的数值实验，证明了该方法在维度为 1000 的情况下的稳健性，相较于经典的无梯度优化方法、以及基于流行的张量缩放分解的逼近和优化方法，具有明显更准确的结果。

Feb, 2024

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

本文介绍了用布尔张量分解 (BTD) 对多层二次关系数据进行概率建模和处理的方法，并且显示出在进行模型选择和处理缺失数据时优于现有的技术。作者使用了几个真实数据集，其中最大的一个数据集涉及了超过 $10$ 亿个数据点。

May, 2018