本文介绍了一种新的损失函数，名为混合常规 - 威尔士（HOW），以及与 HOW 相关的一种新的稀疏诱导正则化项。我们从理论上证明了该正则化项是准凸的，其对应的 Moreau 包络是凸的。此外，我们推导出该 Moreau 包络（即接近算子）的闭式解。与需要通过迭代来寻找相应接近算子的 0<p<1 的 lp - 范数之类的非凸正则化项相比，我们开发的正则化项具有闭式接近算子。我们将该正则化项应用于鲁棒矩阵完成问题，并基于交替方向乘法算法开发了一种高效算法。对所提出方法的收敛性进行了分析，并证明了任何生成的累积点都是一个驻点。最后，基于人工合成和真实数据集的实验结果表明，我们的算法在恢复性能方面优于现有方法。

Oct, 2023

本文介绍了一种罚矩阵估计过程，旨在同时具有稀疏和低秩的解决方案。我们引入了一个凸混合惩罚，同时涉及 l1 范数和迹范数。我们在链接预测问题中限制了广义误差，并开发了近端下降策略以有效解决优化问题，并在合成和真实数据集上评估了性能。

Jun, 2012

该研究考虑线性反问题，其中解被假定在任意预先分配的正交基上具有稀疏展开，利用加权 l^p 准则对系数进行正则化，提出了一种迭代算法计算对应的正则化解，并证明了算法的收敛性以及该方法的一些潜在应用。

Jul, 2003

我们提出了一种用于未知块结构下任意线性变换的块稀疏凸信号重建方法，它是现有方法 LOP-𝓁₂/𝓁₁的一种推广，能够在不可逆变换下重建具有块稀疏性的信号。我们提供了解决该方法的迭代算法，并给出了收敛到最优解的条件。数值实验验证了该方法的有效性。

Jan, 2024

本文提出了一个解决低秩和 / 或稀疏矩阵最小化问题的一般框架，使用迭代重新加权最小二乘（IRLS）方法来解决混合低秩和稀疏最小化问题，例如用于解决 Schatten-p 规范和 ell_2,q-norm 规范的低秩表示问题，理论证明了所获得的解为静止点，并在合成和实际数据集上进行了广泛的实验以证明其有效性。

Jan, 2014

使用迭代重加权最小二乘算法，同时结合核范数和近似低秩解的最小化，有效地从少量线性测量中恢复矩阵，并通过实验证明在矩阵完成问题中具有竞争力。

Oct, 2010

本文研究的是如何恢复一个结构化模型的问题，我们探讨了使用多目标优化得到的结果与只利用其中一个结构的算法的结果相当的现象。此外，我们还详细研究了稀疏低秩矩阵恢复问题所需的样本数，证明了本文提出的非凸公式在这种情况下表现比凸公式更好。

Dec, 2012

本文提出一种通过交替固定秩优化与秩一更新来解决低秩矩阵迹范数最小化问题的算法，针对具有理曼结构的非线性搜索空间，利用有效的因子分解实现了迹范数在搜索空间的可微以及对偶间隙的数值计算可行，提出了一个拥有保证二次收敛速度的二阶信任域算法，并以低秩矩阵完成和多元线性回归问题为例说明了该算法的性能。

Dec, 2011

本文研究使用迭代加权最小二乘算法（IRLS）促进稀疏和可压缩向量恢复中的 l1 最小化，证明其收敛性和估计局部速率，并且展示了如何修改算法，以便在 t 小于 1 时促进 lt 最小化，并且这种修改有着超线性的收敛速率。

Jul, 2008

本文介绍了两种基于 Homotopy 的算法，通过重加权 L1 问题实现了高效地求解。一种快速更新权重的算法，另一种算法通过自适应地选择权重来实现。这两种算法相比现有算法，具有更少的计算复杂度和更高的重建准确性。

Aug, 2012