- 图卷积神经网络变体的比较评估中，重新审视随机森林用于交通预测
本研究比较了图卷积神经网络与随机森林等传统方法在交通预测中的表现，发现采用矩阵分解、注意力机制和位置特定的模型权重等技术可以提高图卷积神经网络的预测精度，但随机森林可以匹敌或超越图卷积神经网络的表现，因此目前的图卷积方法可能不是最佳的交通预 - 基于深度矩阵分解的旋转同步
本文研究了利用深度神经网络进行矩阵分解的方法来实现旋转同步，从而使得相对位置转化为绝对位置。实验表明该方法在大多数场景下具有与最佳竞争者相当的准确性，并且工作在较弱的假设下。
- 机器学习算法和特征提取技术的可预测性
本论文研究了基于矩阵分解的预测系统，旨在预测特定数据集上特定模型的分类准确性。通过超过 50 个数据集的全面实证研究，着重于研究三种基础机器学习算法（随机森林、XGBoost 和 MLP）的性能预测，包括粗调和变体微调模型的可预测性，利用特 - 使用高斯机制的保护隐私矩阵分解推荐系统
提出一个基于差分隐私和矩阵分解的隐私保护推荐系统，通过高斯机制和输出扰动的方式实现差分隐私，采用 Rényi Differential Privacy 来紧密刻画隐私损失，能够在保证用户隐私的前提下有效地完成推荐任务。
- 矩阵对角化和奇异值分解：静态 SageMath 和动态 ChatGPT 并置
研究生在学习线性代数时通常会遇到的难点及解决方式，包括使用免费计算机代数系统 SageMath 处理需要算法思维技能的问题，如对角化和奇异值分解，并通过 ChatGPT 提高计算能力和批判性思维。
- 用于流形学习的二次矩阵分解
本文提出了一种二次矩阵分解（QMF）框架来学习数据集所在的曲面流形，该方法不同于局部线性方法，可以更好地利用底层曲面的结构，并通过两个实验表明该方法的有效性。
- 大规模数据的自权重多视角聚类
本文介绍了一种自动加权的多视角聚类算法，使用矩阵分解来解决维度固定的一致系数矩阵和视角特定基矩阵的限制，并采用六步交替优化算法进行优化，最终的聚类结果表现出优异的性能。
- 通过矩阵分解的几何解释和分析实现公正的推荐
该研究提出了一种基于矩阵分解的推荐系统，称为 ParaMat，通过对原始数据的几何形状进行分析，设计了一种新的算法并在实验测试中与其他 8 个算法进行比较，证明其是最公平的算法。
- 使用泊松分布重新构建矩阵分解，解决输入数据缺失的冷启动问题
通过将用户评分行为建模为泊松过程，设计出一种算法来解决推荐问题和冷启动问题，并证明其相对于矩阵因子分解、随机放置、Zipf 放置、ZeroMat 和 DotMat 等算法的优越性。
- 针对药物相互作用预测的图正则化概率矩阵分解
本文提出了一种新的图形规范的概率矩阵分解（GRPMF）方法，它通过一种新颖的基于图形的正则化策略将专家知识纳入到 MF 框架中，提出了一种高效且有声优化算法来解决交替方式产生的非凸问题，通过药物银行数据集进行了评估，并与最先进技术进行了比较 - 保护隐私的多视图矩阵分解在推荐系统中的应用
本研究的重点是在数据隐私保护方面，在联邦学习框架下的推荐系统中，提出了一种新的基于同态加密的隐私保护框架，并对这个框架进行了细致地分析和测试。
- ECCV非刚性结构运动中的有机先验
本文提倡在经典非刚性运动（NRSfM）中使用有机先验。利用因子分解矩阵中的有机先验，本文提出了一种简单的、有条理的、实用的方法来有效地利用这些先验来解决 NRSfM 问题。提出的方法除了流行的低秩形状的假设外，不做任何其他假设，并且在正交投 - ICML广义杠杆得分：几何解释与应用
本文介绍了杠杆得分的概念，并将其推广到根据奇异向量子集将矩阵列与一些奇异向量子集相联系的情况。进而应用该算法解决广义列子集选择和稀疏规范相关分析问题。作者们进行了数值实验以提供更深入的见解，并对基本矩阵近似概念提出了新的界限。
- 矩阵分解的高效混合维度嵌入
本文提出了两种采用混合维度嵌入的矩阵分解模型，可以采用交替最小二乘法以大规模并行的方式进行优化，并针对用户和项目的流行度偏斜实现了是用稀疏，混合维度或共享嵌入降低参数数量和过度拟合的研究。
- 企业用语的含义及其附近的其他事物
该研究使用分析模型从传统理论中探究自然语言处理系统的统计学习方法，并在此基础上导出了有关使用这些算法和共现数据的系统的见解，进一步揭示了 Word2Vec 算法的潜力和其中的偏差，同时分析了共现模型中的统计依赖密度，并且发现了分布假设的部分 - 文本与图像的多模态表示学习
该论文利用多模式人工智能和矩阵分解技术进行表示学习，通过同时处理文本和图像数据，评估所得到的学习表示，并使用下游分类和回归任务对其进行评估。
- MM推荐系统中的矩阵分解与分解机介绍及进展
本文旨在更好地理解矩阵分解（MF）、因子分解机（FM）及其与深度算法相结合在推荐系统中的应用。具体而言，本文将重点关注奇异值分解（SVD）及其衍生物（如 Funk-SVD、SVD++ 等）。通过数值实例，我们努力将理论与实际问题联系起来，并 - 基于用户活动中心的社交影响力用于兴趣点推荐
该论文使用矩阵分解技术将社交、地理和时间信息纳入推荐系统中，增加了友谊算法和活动中心，从而提高了 POI 推荐系统的性能。实验结果表明，该模型在真实世界数据集上优于现有技术，精确率提高了 31% 和 14%。
- 大学习率驯服同质性：收敛与平衡效应
本文研究了在一个均匀的矩阵分解问题上使用大学习率的梯度下降（GD）算法，证明了在迭代收敛过程中该算法具有收敛性，同时还发现了 GD 算法在使用大学习率时存在的偏差，被称为 'data balancing'，并提供数值实验支持我们的理论。
- MM信任邻居：推荐系统基于邻居的综合调查
本文综述了基于最近邻的协同过滤算法，包括传统算法和先进算法如矩阵分解、稀疏编码和随机游走，介绍了设计实现最近邻推荐系统的关键选择和实践信息。