矩阵的高维拓展——张量(tensor)已在信号处理、数据挖掘和机器学习等领域得到广泛应用，本文旨在为那些想要了解和深入研究张量的研究人员和从业人员提供起点，它包括了基础与应用，如张量秩和分解、基本的张量分解模型及其关系和性质、性能分析、以及一系列的应用。

Jul, 2016

本文提出t-SVD基于多视角数据的子空间聚类方法，通过引入张量代数、低秩张量约束和增广Lagrange方法来探索多视角数据中的高阶相关性和互补信息。经过广泛实验证明，该方法在多个挑战性图像数据集上表现卓越。

Oct, 2016

本文提出了一种基于马尔科夫链的谱聚类方法，并利用一种新颖的本质张量学习方法探索了多视角表示的高阶相关性，通过 Tensor Singular Value Decomposition 基于张量核范数以保持本质张量的低秩性，同时减少了计算复杂性，我们还使用张量旋转运算符进一步研究不同视图之间的关系，该方法可以通过交替方向乘子法（ADMM）高效优化，实验结果表明在六个具有不同应用的真实世界数据集上，我们的方法优于其他最先进的方法。

Jul, 2018

提出了在低秩张量空间中采用超拉普拉斯正则化概念分解（HLRCF）进行多视角聚类，通过采取概念分解来探索每个视图的潜在簇表示，并赋予超图拉普拉斯正则化能力抽取潜在空间中的非线性局部结构。通过开发自权重张量Schatten p范数来约束由所有簇表示组成的张量，可以解决不同张量奇异值之间的分布不均问题。在八个基准数据集上的实验结果表明，HLRCF在多视角方法中表现出较高的性能。

Apr, 2023

本文提出一种自适应拓扑张量网络（ATTN）来用于多视角子空间聚类，通过分析自表示张量中不同模式的高阶相关性，剪枝虚弱相关关系的链接，从而表现出更好的张量表征能力，并应用贪婪自适应秩增加策略来提高低阶结构的捕获能力。实验结果表明，基于ATTN的多视角子空间聚类在六个多视角数据集上表现优异。

May, 2023

本文提出了一种嵌套的矩阵张量模型，用于解决具有多视角的聚类问题，并在理论上证明该模型的最佳秩一张量逼近方法具有更好的精度。

May, 2023

使用联合投影学习与张量分解的方法（JPLTD）解决了不完整多视图聚类（IMVC）中的问题，包括高维特征冗余和噪声、图的噪声以及丢失样本引起的图噪声，并通过JPLTD模型的优化算法取得了优于现有方法的实验结果。

Oct, 2023

基于张量的聚类方法中存在一些挑战，为了克服这些挑战，我们提出了一种名为高阶异质聚类（HHC）的两阶段方法，通过创新的谱算法进行张量子空间估计，然后使用近似k-means算法获得聚类节点，模拟和实际数据实验证明我们的算法在各种情境下都优于现有算法，提供更可靠的聚类性能。

Nov, 2023

提出了一种简单而高效的可扩展多视图张量聚类方法（S^2MVTC），专注于学习嵌入特征在视图内部和视图之间的相关性，利用嵌入特征的张量低频近似操作实现嵌入特征的平滑表示，采用共识约束确保视图间的语义一致性，实验证明该方法在聚类性能和CPU执行时间方面显著优于当前最先进的算法。

Mar, 2024

本文提出一种新颖的基于张量的图学习框架，同时考虑了多视图聚类的一致性和特异性，通过在斯蒂费尔流形上计算相似性距离，解决了现有方法中使用欧氏距离度量相似性的不足，并通过张量奇异值分解实现对目标图的全面理解。实验证明，该方法在真实数据集上的性能优于一些现有的多视图聚类方法。

Mar, 2024