- 无需对文本属性图进行训练的图神经网络
采用线性图神经网络（TrainlessGNN）模型构建代表每个类别节点属性子空间的权重矩阵，为 TAG 上的半监督节点分类提供了一种高效的方法，消除了迭代优化过程。广泛的实验证实了我们的无训练模型可以匹配甚至超越传统训练模型，展示了在特定配 - MM计算多项式环的线性部分：量子纠缠，张量分解和更多
本研究讨论了如何在任意锥形多项式曲线和给定线性子空间的交集中找到元素。我们提出了一种基于多项式时间的算法来解决这个问题，并将其应用于解决低秩分解问题和量子纠缠问题等相关问题。
- EMNLP基于核函数的概念抹除
本文提出一种核化线性 minimax 游戏的方法以实现对神经模型中的非线性编码概念的抹除，虽然保护措施不能转移到不同的非线性对手，因此彻底抹除非线性概念仍是一个待解决的问题。
- ICML线性对抗概念抹除
提出了一种通过线性极小极大博弈模型来定位和清空文本中的线性子空间，以防止线性预测器恢复与偏见相关的概念，该方法可以减轻内在和外在因素造成的偏见。
- 隐私学习子空间
该研究探讨了差分隐私算法如何应用于低维线性子空间，以发现数据的低维结构并尽可能避免在隐私或准确性方面的代价。
- ICCVEigenGAN: 为 GANs 层级提供的特征值学习
该论文提出了 EigenGAN，它可以从不同的生成器层无监督地挖掘可解释的和可控制的维度，以控制生成影像的语义属性。利用线性子空间的概念，EigenGAN 可以发现每一层的一组特征维度与某些可解释的变量对应，并通过这些维度进行语义属性的控制 - 探讨线性子空间假设在缓解性别偏见中的应用
该研究针对词嵌入中的性别偏见进行了研究，通过构建线性子空间的方法来消除偏见，而我们则提出了基于核函数的非线性方法，并分析了线性子空间偏见消除的合理性。
- CVPR密集非刚性运动：流形观点
该论文提出了一种新的方法，使用 Grassmannian 和低秩表示来恢复非刚性物体的不断变形的 3D 结构。该方法相对于以前的方法具有更高的准确性，可扩展性和鲁棒性，并且在标准基准数据集上取得了领先的性能。
- ICML多输出高斯过程的可扩展精确推断
研究了一种加速多输出高斯过程推理和学习的方法，利用数据的充分统计量实现在正交基中的线性缩放，从而实现在实践中线性缩放，同时不会牺牲重要的表现力或需要近似。
- ICML结构化低秩矩阵学习：算法与应用
该论文提出了一种新的因子分解模型，它将低秩矩阵和线性子空间约束分离开来，从而使得优化问题在 Riemannian spectrahedron 流形上得以求解。实验证明，该方法在标准 / 鲁棒 / 非负矩阵补全，Hankel 矩阵学习和多任务 - 双主成分追踪
该研究探讨了如何从数据中学习到受离群点干扰的线性子空间，提出了一种名为双重主成分追踪（DPCP）的解决方法，并使用交替最小化和加权最小二乘法等算法来应对大规模数据。实验表明，该方法可以处理更多离群值和更高的相对维度，并且在计算机视觉等领域可 - 子空间学习的样本复杂度
本文探讨了机器学习领域中很多算法都需要从样本中估计一个线性子空间的问题，并针对不同的度量标准推导了新的学习误差估计方法，该方法还可以用于 PCA 和光谱支持估计的尖锐误差估计，是一种具有广泛适用性的光谱学习方法的算子理论方法的重要研究成果。
- 关于忽略子空间嵌入的下界
介绍了一种针对线性子空间的随机映射方法 ——Oblivious Subspace Embedding (OSE)，通过稀疏性限制，证明了 m 与 s 之间存在权衡下限。
- 贝叶斯压缩回归
本文提出一种基于随机压缩预测变量的高维回归方法，并使用模型平均来减少方法对于随机投影矩阵的敏感度，可用于实际数据应用。
- PETRELS：基于递归最小二乘法从部分观测中并行估计和跟踪子空间
本文提出了一种新的算法 PETRELS，可用于在线追踪数据的低维线性子空间及矩阵数据中缺失条目的估计，适用于图像处理、网络监测与异常检测等多个领域，数值实验证明其效果优于传统批量算法。
- Edmonds 问题的古典确定性复杂度和量子纠缠
本文介绍了一个确定性多项式时间算法，可以解决包含非奇异矩阵的线性子空间问题，此线性子空间满足 Edmonds-Rado 特性，该特性与二分混合态可分性密切相关，该文使用了量子永久 Ag 算法。