本文提出一种简单的迭代正则化路径方法，通过稀疏 Mirror Descent 算法或带有非线性损失的 Linearized Bregman 迭代的动态，在 Restricted Strong Convexity (RSC) 和 Irrepresentable Condition (IRR) 的限制下，以达到不出错的子空间为首要目标，运用于稀疏逻辑回归和 Ising 模型的 NIPS 合著问题上，其性能与 glment 相当，进一步减小了偏差。

Oct, 2018

利用稀疏度技术和机器学习与非线性动力系统相结合，从测量数据中发现控制物理方程，并使用稀疏回归确定动态控制方程中的最少项以准确地表示数据。

Sep, 2015

本篇论文提出了一种基于稀疏且低秩张量回归模型的方法，其中系数张量的每个单元秩张量都被假定为是稀疏的，通过分治策略，可以简化任务，并使用分阶段的估计过程来高效地跟踪其整个解决方案路径。在多种真实和合成实例中展示了我们方法的卓越性能。

Nov, 2018

本文提出了一种动态编程方法来构建确切的最优稀疏回归树，并基于一维 k-Means 聚类算法提出了新的下界，我们能够在几秒钟内找到具有挑战性的数据集的最优稀疏树。

Nov, 2022

本文研究高维统计中的稀疏线性回归问题，特别关注相关随机设计条件下的 Lasso 算法以及基于特征适应的算法，提供了可以自适应处理少量近似相关性的 Lasso 算法优化及多项式复杂度的改进，以实现在常数稀疏度和任意协方差 Σ 情况下的最优样本复杂度。

May, 2023

本文介绍一种基于稀疏回归和自编码器的算法，通过在简化空间中寻找非线性系统的动力学描述，实现了均衡模型复杂性和描述能力，同时提升了解释性和推广能力，同时在多个高维非线性系统中测试了该方法的优势。

Mar, 2019

本研究提出了一种名为 SVD training 的神经网络压缩方法，通过正交性正则化和奇异值剪枝等技术，可以在训练过程中显式地实现降低矩阵秩的目标，从而更有效地减少 DNN 算法在低性能设备上的计算负担。

Apr, 2020

本文针对大数据的稀疏高斯过程模型的一类不同于现有方法的低秩 GP 逼近模型展开研究，提出了基于稀疏频谱 GP 模型的随机变分贝叶斯框架，该框架结合贝叶斯方法处理频率谱避免过拟合，利用本地数据提高预测性能，并利用参数化技巧使得所得到的随机梯度具有线性结构，从而提高了稀疏 GP 模型的性能。实验结果表明，我们的模型优于现有的 SGP 模型的实现方法。

Nov, 2016

本文提出了更快的算法来解决数据矩阵中回归和特征向量计算问题，使用这些算法，即使在稀疏矩阵的情况下，也可以获得近似的线性运行时间。

Nov, 2018

本文介绍一种基于稀疏近似的随机梯度下降算法，该算法能够在类似 Lasso 的条件下表现良好，并且无需更多的计算资源。在实验中，我们发现我们的方法在真实数据和模拟数据上均表现出色。

Dec, 2014