- 低秩张量表示的半监督对称矩阵分解
我们提出了一种新的半监督对称非负矩阵分解模型，通过为通过对称约束矩阵和嵌入矩阵转置的乘积得到的相似度矩阵合成的张量寻找低秩表示，同时从全局角度加强这两个矩阵，然后通过增强的 SNMF 模型使嵌入矩阵适应此张量低秩表示，最终通过强化的相似约束 - 自监督异常先验的高光谱异常检测
该研究提出了一种基于自监督网络的自监督异常先验（SAP），将低秩表示模型中的异常分量优化为了更好地适应高光谱异常，同时提出了一种双纯化策略来从复杂背景中分离异常，并通过实验验证了该方法在各种高光谱数据集上的准确性和可解释性。
- 一个视频值 256 基：空间 - 时间期望最大化反演用于零射影视频编辑
该论文提出了一种用于零样本视频编辑的视频反演方法，通过在反演过程中对输入视频建模为低秩表示。研究发现，与现有的方法不同，提出的空时期望最大化（STEM）反演方法能够在整个视频中应用固定和全局表示以保证重建和编辑的时间一致性，并取得了两种最先 - 基于低秩背景子空间学习和图拉普拉斯正则化的高光谱目标检测
本文提出了一种基于低秩表示（LRR）和图拉普拉斯正则化（GLR）的高效优化方法，用于解决高光谱目标检测中的未知背景字典和空间信息利用不足的问题，实验证明了该方法的有效性和优越性。
- LRRNet：一种用于红外和可见光图像的新型表示学习引导融合网络
本文提出了一种基于深度学习以及低秩表示为基础的图像融合网络构建方法，可以通过学得的模型来引导网络构造，以实现最佳的融合效果。在公共数据集中的实验结果表明，本文所提出的方法比其他现有的方法在融合性能方面具有更好的表现，而且所需的训练参数比其他 - SVD-GCN：面向推荐的简化图卷积范式
通过对 Graph Convolutional Networks 在推荐系统中的应用进行研究，提出了一种名为 SVD-GCN 的简化 GCN 学习的范例，并通过该方法仅利用 K 个最大奇异向量来提高推荐系统的性能，大幅度缓解了平滑问题。实验 - 自学习低秩网络用于单阶段弱监督和半监督语义分割
本文提出了一种自监督低秩网络 (SLRNet) 来解决有限注释下的语义分割问题，其使用了交叉视图自监督学习和集体矩阵分解来学习稳健的精确伪标签，实现了统一的单阶段框架以进行各种标签效率语义分割设置。
- 基于块对角表示的子空间聚类
该论文提出了一种基于块对角正则化器的直接求解块对角矩阵的非凸模型，通过使用块对角结构先验来解决子空间聚类问题，并通过实验验证了其有效性。
- 利用潜在低秩表示进行红外和可见光图像融合
本研究基于潜在低秩表示提出了一种简单有效的红外和可见光图像融合方法，该方法在保持轮廓信息方面具有更好的性能。
- 超越低秩表示：多视图谱聚类最优图结构正交聚类基重构
本文探究了低秩表示（LRR）的本质，将其发现为基于聚类投影的表示方法，通过基于低秩矩阵分解将其转换为同时学习正交聚类表示和优化本地图结构的问题，并且得到了在多视图数据上的实验验证。
- 图像识别的判别式分块对角表示学习
本文提出了基于 BDLRR 的低秩块对角形式表示方法，并在半监督低秩表示的框架下，通过惩罚约束来消除不同类别的表示之间的相关性并加强块对角表示以增强对训练样本和测试样本的识别。通过采用交替最优化策略将得到的优化问题优雅地解决，并利用学习到的 - CVPR基于可验证自表示的子空间并集异常检测
该论文提出了一种结合了稀疏表示和随机游走的新的离群值检测方法，通过定义合适的马尔科夫链从而将离群值和基本 / 非基本状态联系起来，实现了在大型数据集中正确检测离群点的目的。
- IJCAI迭代视图协议：基于迭代低秩结构优化方法的多视角谱聚类
本文提出了一种多图拉普拉斯正则化的低秩表示方法来解决多视图谱聚类问题，该方法不仅在保持本地流形结构方面具有很好的性能，而且还能逐步使不同视图更加一致。在真实世界的多视图数据集上的广泛实验证明了其优越性。
- 格拉斯曼流形上的低秩表示：一种外置视角
该论文研究使用 Grassmann 流形嵌入 Low-rank representation（LRR）来进行子空间聚类的方法，并提出了新的 Grassmannian LRR 算法，通过手写数字，动态纹理视频剪辑和 YouTube 名人面部视 - 使用低秩字典追踪技术恢复连贯数据
研究表明，当数据具有高相干性时，常规的 RPCA 方法表现不佳。使用低秩表示（LRR）能够缓解这一问题，并且当字典本身是低秩的时，LRR 更能有效地处理相干数据。作者设计了一种无监督环境下获取适当字典的实用算法，并在随机生成的矩阵上进行广泛 - 信息论上最优稀疏主成分分析
本文讨论了两种概率稀疏主成分分析模型：钉住 Wigner 模型和钉住 Wishart 模型，并分析了一个用于估计基本信号的近似信息传递 (AMP) 算法。在高维极限下，AMP 估计是信息理论上的最优。此外，本文提供了稀疏 PCA 问题的单字 - 集体矩阵分解中的群稀疏嵌入
本研究提出了一种基于协作矩阵分解 (CMF) 的新算法，允许每个矩阵具有单独的低秩结构，并支持仅某些矩阵之间共享的结构。提出的方法采用交替优化算法，比较了 MAP 和变分贝叶斯解，并展示了通过组稀疏自动推断因子的本质，支持连续、二进制和计数 - 利用低秩表示进行精确子空间分割和异常值检测
提出了一种基于低秩表示 (LRR) 的方法，能高效地、准确地检测异常值和将样本分割到它们所属的正确子空间中；利用 LRR 可恢复样本的行空间来确定子空间成员资格。
- NIPS自适应惩罚的线性交替方向法用于低秩表示
本文提出了一种基于线性交替方向乘子法 (linearized ADM) 与自适应惩罚控制的低秩表示 (LRR) 方法，避免了引入辅助变量与矩阵求逆所带来的计算量，采用了紧 SVD 技术进一步降低了计算复杂度，证明了此方法在大规模数据应用时比