- Schur 基下局部对称性改进的经典阴影
证明了一种经典阴影的联合测量协议其样本复杂度与状态秩成正比，并且在低秩情况下具有几乎二次优势。
- 分段线性集成的联合优化
Tree ensembles and Joint Optimization of Piecewise Linear ENsembles (JOPLEN) achieve superior performance in regression, - 矩阵和线性映射的 Frobenius 型范数和内积及其在神经网络训练中的应用
该研究通过对线性映射或矩阵的 Frobenius norm 和内积进行了深入研究，确定了它们与定义域和值域空间内积的依赖关系，并表明经典的 Frobenius norm 只是更一般的 Frobenius-type norms 中的一个特例。 - 多层低秩矩阵的因子拟合、排名分配和分区
本文研究了多层低秩（MLR）矩阵，通过对一系列矩阵进行行列重排并分解成块对角形式，以低秩的因子形式表示。研究主要围绕通过在 Frobenius 范数下使用 MLR 矩阵拟合给定矩阵的问题展开，并提出了因子拟合、秩分配以及层次化行列划分等解决 - 张量化神经网络的高效有限初始化
我们提出了一种新颖的方法，用于以一种避免参数爆炸的方式初始化张量化神经网络的层。该方法适用于节点数量很高的层，其中与大多数节点的输入或输出存在连接。该方法的核心是使用该层的 Frobenius 范数的迭代部分形式，以使其保持在有限范围内。本 - 基于一致性的 Cobra 生存分析方法及基于回归型弱学习器的改进
通过组合回归策略，我们预测条件生存函数。我们将弱学习者作为不同的随机生存树，提出在右截尾集合中最大化协同性的方法来找到最优参数。我们通过协同指数探索了两种方法，一种是普通的生存眼镜蛇，另一种是基于协同指数的新型加权预测器。我们提出的公式使用 - 多域文本分类的最大批次 Frobenius 范数
该研究探讨了最大批次 Frobenius 范数方法提高多领域文本分类的特征可辨识度，并在两个基准测试中展示了其成功地提升了最先进技术的表现。
- ICLR神经网络谱范数归一化边缘界限的 PAC-Bayesian 方法
利用 PAC-Bayes 分析，我们提出了一种将前馈神经网络的谱范数和权重的 Frobenius 范数乘积作为度量的泛化界限。
- 非齐次随机图的双样本假设检验
本文以最小极小值检验的角度考虑解决在高维信息检测中，两个离散随机图集合的假设检验问题，并提出了 Frobenius 范数和算子范数算法，能在小样本量下有效地求解较为稀疏的两种份离散图模型问题。
- 相对误差张量低秩逼近
本文介绍了如何在规定 Frobenius 范数的情况下对张量进行相对误差的低秩近似，提出了两种算法，并展示了在基于指数时间假设下的时间下限。
- NIPS截断 SVD 在一般高秩矩阵估计问题中的能力
观察给定矩阵的截断奇异值分解，可以在高秩正半定矩阵的估计问题中获得多种有趣的结果，如矩阵补全，矩阵去噪和高维协方差的低秩估计。
- k-Means 聚类是矩阵分解
本文表明了常规 k-means 聚类的客观函数可以表示为数据矩阵与该数据矩阵的低秩近似值的差的 Frobenius 范数，即 k-means 聚类是一个矩阵分解问题。
- MM最优 CUR 矩阵分解
提出了基于输入稀疏度的时间和确定性算法，用于构建具有 rank $(U)=k$ 的 low-rank 矩阵 $U$、CUR 分解，该算法的 $c，r$ 和 $rank (U)$ 同时近似于最优解。
- MM理解矩阵补全的交替最小化方法
使用一种基于交替最小化的新算法，在标准不连贯性假设下，可从一个未知的低秩矩阵中恢复随机子样本的条目，并减少至少一次方之秩和相似矩阵的条件数的交替最小化方法的样本大小要求。
- 能耗感知自适应双 Lipschitz 嵌入
提出了一种基于训练数据的降维矩阵设计，该设计基于其 Frobenius 范数和行数的约束，旨在尽可能保留数据点在降维空间中相对于原始数据空间的距离，可视为数据点的确定性 Bi-Lipschitz 嵌入。通过提供强大的学习算法 AMUSE 和 - 关于降低有效排名种群矩阵的样本协方差矩阵估计器，及其在 fPCA 中的应用
本文通过研究样本协方差矩阵与降低有效秩的总体协方差矩阵的关系，使用 Frobenius 范数和算子范数作为评价标准，提出了一种矩阵有效秩的最优估计方法，同时对主成分分析中常用的经验 scree 图方法进行了分析，并提出了一种阈值构建和样本特 - 张量恢复中增广迹范数模型的保证
本文研究了低秩张量的恢复保证，其中使用了迹范数和 Frobenius 范数来最小化张量，得到了与最小化迹范数类似的精确保证，只要满足感知算子的鸟巢空间性质，受限等谱性质或球面截面性质。
- $\ell_0$- 惩罚最大似然方法用于稀疏有向无环图
本文研究高维稀疏有向无环图模型或等价的高斯结构方程模型的结构和参数的正则化最大似然估计问题，证明了 DAG 的 $l_0$- 惩罚最大似然估计器具有与最小边 I-MAP 相同数量的边，以 Frobenius 范数收敛，允许节点数 p 远大于 - 具有全局线性收敛算法的增广 L1 和核范数模型
在稀疏优化的范畴中，本文研究了在非可微目标函数上添加平滑函数的想法，特别是在 $||x||_1+1/(2\alpha)||x||_2^2$ 和 $||X||_*+1/(2\alpha)||X||_F^2$ 两种情况下，我们证明了它们可以高效 - 矩阵子集选择及应用的加速
本文研究了一种矩阵的子集选择问题，其中关注了 Frobenius 范数和谱矩阵范数，并提出了多种新的逼近算法，并证明了在常数因子范围内逼近度是最优的，并且阐述了在一个无向图中找到低拉伸生成树的组合问题与矩阵子集选择问题之间的对应关系及其各种