本研究介绍了一种名为张量CCA(TCCA)的多视角学习方法，它可以处理任意数目的视角的数据。通过分析不同视角的协方差张量，TCCA试图直接最大化多个(超过两个)视角的典型相关性，并探索了容易被忽略的高阶统计数据量，可以通过最小化数据协方差张量的最佳秩1近似值来解决。

Feb, 2015

本文介绍了一个名为RCA的模型框架，它可以用于分析多个数据集中的不同潜在组件，通过累积量提取算法，该模型可以明确地学习每个组件而无需构建其他组件，进而与随机梯度下降方法组合实现通用模型的无监督学习，从而在多个真实数据集上证明了其准确性的优势。

Jul, 2015

本文提出了一种联合因子分析和潜在聚类的框架，旨在学习矩阵和张量数据的聚类感知低维表示。该方法利用矩阵和张量分解模型来揭示潜在聚类结构，并通过潜在聚类结构作为先验信息来提高因子分解的性能。

May, 2016

本文提出了一种结构化的LRR方法，通过因式分解成低维数据聚类表示，对每个视图进行数据聚类结构的表征，并在laplacian正则化器的作用下保留了每个视图的灵活的本地流形结构和迭代多视图一致性策略，通过最小化优化过程中所有因子化潜在数据聚类表示之间的发散目标，其中每个视图的此类潜在表示用于调节其他视图的表示，以协调所有视图的一致性，并在真实世界的多视图数据集上进行了广泛的实验，表明其优于现有技术水平。

Sep, 2017

本文提出了一种基于图的潜因子分析模型，将隐藏的高阶交互与重复的低秩嵌入相结合，从而提高了对高维稀疏矩阵的表示学习能力，并在三个真实数据集上验证了其在预测丢失数据方面的优越性。

Apr, 2022

我们提出了一种多字典张量分解（MDTD）框架，利用编码字典中关于张量模式的先验结构信息来获得稀疏编码的张量因子。通过实验证明，MDTD相比无字典方法学习到更简洁的模型，且在重构质量、缺失值插补质量和张量秩的估计等方面均具有明显的改进，而且不会增加运行时间。

Sep, 2023

探索多个观测随机向量之间的潜在共变性的经典统计方法——典型相关分析(CCA)以及其扩展和变化在发现多视图数据集中的共同随机因素方面的能力。该研究设计了一种新颖高效的模型，适用于典型相关分析的深度扩展，并克服了现有方法的局限性，将私有组件建模为在给定共同组件的条件下条件独立，从而提供了一种更紧凑的表述形式。通过合成数据和实际数据的实验验证了我们的结论和方法的有效性。

Dec, 2023

本文综述了非负矩阵分解（NMF）在降维中的应用，重点关注其在特征提取和特征选择方面。我们分类了降维方法，对NMF的不同方法进行了全面总结。此外，我们讨论了NMF在降维中的最新研究趋势和潜在未来发展方向，旨在突出需要进一步探索和发展的领域。

May, 2024

提出了联合链接分量分析（joint_LCA）方法，用于多视图数据，通过同时识别视图特定的加载矩阵和公共潜在子空间的秩，来提取共享组件。采用矩阵分解模型，通过一个联合结构和一个个体结构来表示每个数据视图，以便得到任意数据视图之间的交叉协方差的干净奇异值分解表示。同时提出了带有新型惩罚项的目标函数来实现估计和秩选择，并采用修复程序来减小惩罚造成的收缩偏差。

Jun, 2024

最近，基于变换的张量表示在多媒体数据（例如图像和视频）恢复问题中吸引了越来越多的关注，该方法由变换和建模这两个不可或缺的组成部分构成。我们提出了一种统一的深度张量表示（简称DTR）框架，通过协同组合深度潜在生成模块和深度变换模块来解决之前未充分探索的问题，该框架不仅有助于更好地理解经典的浅层表示，还可以引导我们探索新的表示方法，并在多维数据恢复任务中获得卓越性能。

Jul, 2024