- AID-DTI: 基于细节保留模型的深度学习加速高保真扩散张量成像
本文提出了一种名为 AID-DTI（加速高保真扩散张量成像）的新方法，通过基于奇异值分解的正则化器在网络训练期间有效地捕获细节和抑制噪声，以实现仅使用六个测量的快速并准确的扩散张量成像。对人体连通性项目（HCP）数据的实验证明，所提出的方法 - 信息瓶颈结合奇异正则化改进模型的对抗鲁棒性
通过奇异值分解将图像分解为多个矩阵，对不同攻击的敌对信息进行分析，提出一种新的模块来规范敌对信息，并结合信息瓶颈理论实现中间表示的理论限制，从而提高模型的鲁棒性。
- 惩罚主成分析中的 Nesterov 平滑
我们在这篇论文中通过应用 Nesterov 平滑到 LASSO-type L1 惩罚上，扩展了 PEP，以更快、更高效地最小化与优化问题相关的目标函数；我们还展示了如何使用奇异值分解的已建立结果来计算更高级的特征向量；最后，通过使用 100 - 一种基于单位权重的单次迭代量子感知器算法用于非理想训练集
提出了一种基于酉权重的高效量子感知器算法，通过计算来自训练集的总权重矩阵的奇异值分解，使权重矩阵达到酉性，并通过对量子门的示例验证证明该算法能够在一次迭代中精确实现任意量子门，与其他量子感知器算法的性能比较结果显示了该算法在适用性、准确性和 - 深度学习网络在图像生成中是否必要？
该研究通过验证图像遵循高维分布的假设，利用高斯混合模型（GMM）和 SVD 降维的方法，探讨了不使用深度学习网络进行图像生成的可能性，并表明相比于使用深度学习网络方法，该方法具有更强的可解释性和良好的性能。
- 统一图像修复的分解归因协同学习
学习如何在单个模型中恢复多个图像退化是实际应用中非常有益的；因此，本文通过奇异值分解重新审视多样的图像退化，并提出了一种基于奇异向量和奇异值优化的协同学习方法 —— 分解归因协同学习（DASL），以实现各种图像恢复任务之间的潜在关系的利用。 - 基于矩阵分解的随机性识别：在黑洞数据上的应用
本文提出了一种基于奇异值分解和主成分分析的算法用于时序分类，将所提方法应用于黑洞 GRS 1915+105 的时间序列数据上，结果显示在 12 个时间类别中具有较高的分类准确度。
- 锐化奇异值分解与音乐推荐
本文研究了在音乐推荐中广泛使用的截断奇异值分解的一个奇特效应，提出了一个度量此效应强度的度量方法，并证明了它与不同内部流行度的物品社区相关，最后展示了如何在添加数据的情况下估算音乐嵌入的前 k 个相似物品如何随时间变化。
- 非线性 SVD 与非对称核：特征学习和非对称 Nyström 方法
本文提出了一种非线性扩展的 KSVD 方法，通过非对称核实现矩阵奇异值分解，并引入对称约束，提高了分类性能和速度。
- MM原始 - 注意力：通过原始表示中的非对称核 SVD 进行自注意力
本文提供了一种新的角度，通过非对称的核奇异值分解 (KSVD) 来表示和优化自注意力，使得低秩特性在没有额外分解的情况下得到提升。
- Decom--CAM: 通过解耦类激活映射详细解释特征层面的图像识别结果
该论文提出了一种新的两阶段可解释性方法 - 分解类激活图（Decom-CAM），将中间激活图分解为正交特征并通过它们的整合生成显著图，以更好地解释深度学习模型预测，该方法明显优于现有最先进的方法。
- 非对称网络近似跨域学习
本研究提出了一种基于非对称核的泛化途径来研究基于核的网络的逼近能力，使用了一系列核并得出了与输入空间维度相比具有较小光滑度的函数逼近结果。
- 通过融合 Top-1 分解特征的逻辑输出增强对抗传递性
该研究提出了基于奇异值分解的特征攻击方法，以提高对抗样本的迁移性，并通过实验验证了其有效性。
- ICML使用奇异值分解的深度强化学习表示与探索
该研究论文介绍了一个基于奇异值分解的方法，用于在领域中保留基础转换结构的表示，从而提供伪计数的估计，在多任务中展示了结果，并解决了部分可观测的环境下的难以探索的任务。
- 使用奇异值分解作为超声流动成像的杂波滤波器
使用奇异值分解进行滤波可以在超高帧率超声流动成像中去除杂音、流量和杂质，但是对于病变组织的运动、靠近管壁的微血管流动等情况，这一假设并不成立，可能会导致图像伪影的存在。因此，了解 SVD 滤波引起的伪影的原因对于图像的解释是必要的。
- 使用权重修剪和奇异值分解在嵌入式设备上的可扩展目标检测
本文提出了一种将权重剪枝和奇异值分解相结合的方法来优化目标检测模型，作者通过与原始模型在帧率、mAP@50 和模型大小等方面性能的对比令其表现更加优越，进而证明该方法可以在保持准确性、速度和模型大小平衡的基础上有效地优化目标检测模型。
- ICLRLightGCL: 简单而有效的图形对比学习用于推荐
本文提出了一种新的图对比学习范式 LightGCL，基于奇异值分解对图的对比增强进行单一约束结构的调整，在推荐系统领域具有显著的性能优势和鲁棒性。
- 带质量保证的马尔科夫链混合模型学习
本文介绍了一种基于奇异值分解的算法，可以将用户轨迹聚类成具有公共序列模式的组，进而分析人类行为，并使用 EM 算法将其应用于混合马尔可夫链的重建，在合成和实际数据上的实验表明该算法在重建错误方面表现优于 GKV-SVD 算法。
- EMNLP语言模型加权低秩估计的数值优化
我们提出了一种加权奇异值分解压缩 Transformer 的语言模型的方法，该方法考虑了神经网络参数的不平等重要性，并解决了没有封闭形式解决方案的非凸优化问题。实验结果表明，相较于传统的 SVD 方法，在压缩 Transformer 的语言 - 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