本研究提出了一种使用弹性二进制正则化的布尔矩阵分解算法，以降低计算成本并提高可解释性，在合成和真实数据上实现了良好的结果。在医学领域的案例研究表明了该算法的结果易于解释和语义意义重大。

Jul, 2023

本文概述了 Boolean Matrix Factorization（BMF）在数据挖掘、正式概念分析、机器学习和理论等领域的研究进展，提出了需要进一步探讨的问题。

Dec, 2020

基于针对实践的 heuristics 我们提出了一种新的算法，它基于 BMF 的最新的理论进展，用于在有限域上找到 GF （p）-Matrix 分解的有效多项式时间逼近方案，并通过人工合成和现实世界数据的实证研究证明了我们算法的优越性。

Jul, 2022

本研究开发了一种名为 MEBF 的快速、高效的布尔矩阵因式分解方法，采用启发式方法以定位 “密集的 1” 的子矩阵为目标，其性能表现优于 ASSO、PANDA 和 MP 等其他常用方法，同时在二进制和非二进制数据集上的应用表明其具有知识检索和数据去噪的潜在能力。

Sep, 2019

本文介绍了一种基于带状矩阵的矩阵分解机制，可以用于差分隐私的联合训练和集中式训练，并且具有更好的性能和更低的计算复杂度。

Jun, 2023

本文提出了一种基于整数规划的交替优化策略，来解决二进制矩阵因数分解的问题，同时给出了两种初始化因子的方式，并展示了如何使用整数规划将多个解组合起来以生成更优的解。实验结果表明，我们的算法优于现有方法。

May, 2023

本文通过线性规划和列生成的优化技术，提出了一种求解低秩二元矩阵分解问题的算法，该算法不需要使用启发式模式挖掘，具有高精度和优化保证，并在真实数据集上取得了良好的效果。

Nov, 2020

本篇论文提出了一种分布式高性能并行的 Bayesian Probabilistic Matrix Factorization （BPMF）算法实现方案，并使用了在单节点上的高效负载均衡使用工作窃取和在分布式版本中使用异步通信的方法，超越了现有技术水平。

May, 2017

本研究提出一种基于矩阵分解的安全联邦学习框架，称为 FedMF，利用同态加密技术实现了对上传信息的加密保护，从而解决联邦学习中梯度泄露的问题，并证明了其可行性。

Jun, 2019

介绍了一种概率生成模型 ——OrMachine，用于布尔矩阵分解和推导出马尔科夫链蒙特卡罗 (Metropolised Gibbs) 采样器，实现了高效的并行后验推断，并在真实世界和模拟数据上优于目前所有现有的布尔矩阵分解和完整方法，首次为布尔矩阵分解提供了完整的后验推断，在协同过滤中用于控制假阳性率，并关键地提高了推断模式的可解释性。提出的算法在通用硬件上扩展到大型数据集，如在 1.3 百万只老鼠脑细胞上分析 11 千个基因的单细胞基因表达。

Feb, 2017