- ICML如何以及何时进行内部分布标签支持外部分布检测？
本研究通过图论方法对数据表示进行谱分解，建立一种理论上对内部标签对外部数据检测性能的影响有较好界定的方法。实验结果验证了理论保证和观点，展示了内外标签对提高外部数据检测能力的条件。
- 基于表示的视角下的模拟到现实学习技能转移与发现
我们研究了使用表示学习进行机器人控制中的从仿真到实际的技能转移和发现。通过从马尔可夫决策过程的谱分解中获得灵感，我们得到了能够线性表示任何策略引发的状态 - 动作价值函数的表示，因此可以被视为技能。我们提出了一种处理动力学中仿真到实际差距的 - 基于频谱扩散的图生成
本文介绍了 GRASP 模型，这是一种基于图拉普拉斯矩阵的频谱分解和扩散过程的新颖的图生成模型。我们使用去噪模型从图上采样特征向量和特征值，通过它们可以重构图拉普拉斯矩阵和邻接矩阵。该模型能够处理节点特征，并利用拉普拉斯谱自然地捕捉图的结构 - 深入探讨光谱嵌入
该研究论文提出了两种新的方法，一种基于函数分析原则和核方法，另一种是基于训练优化原则变分损失的深度网络，以构建数据的谱嵌入，并提供了一个新的采样算法，以在单个步骤中利用学习的表示来生成新样本。
- TD-learning 下表示动态的更好理解
探讨了 TD-learning 对时间序列中状态表示的影响，特别是在环境可逆的情况下，TD-learning 可以严格减少价值近似误差，同时将其与转移矩阵的谱分解相联系，并用随机生成的奖励拟合多个值函数来辅助表征学习。
- LLT: 基于线性法则的特征空间变换的 R 软件包
该研究提出了一种基于线性法则的特征空间转换（LLT）算法，用于辅助单变量和多变量时间序列分类。LLT R 软件包可以将训练集中的线性法则应用于测试集，从而实现快速的特征转换。
- 鲁棒图神经网络的频谱对抗训练
本文提出 Spectral Adversarial Training （SAT），基于频谱分解的简单但有效的对抗训练方法，用于提高图神经网络（GNN）对抗攻击的鲁棒性，实验结果表明 SAT 显著提高了 GNN 对抗攻击的鲁棒性，而不影响分类 - 辅助任务对表示动态的影响
本文研究了在稀疏奖励环境中，如何通过分析时间差分算法的动态来建立转移算符的谱分解和各种辅助任务诱导的表示之间的联系，并利用这些理论结果来选择深度强化学习代理的辅助任务。
- 通用行列式点过程的高性能采样
这篇文章介绍了 $LU$ 和 $LDL^H$ 分解的修改方法，以更有效地直接对非 - Hermitian 和 Hermitian DPP 核进行抽样，并证明在高性能的稠密和稀疏直接分解的动态调度、共享内存并行化方面，也可以轻松修改以产生基本 - 从马尔科夫转移数据中学习状态聚合
本文提出了一个基于软聚合模型的简单算法，通过对系统轨迹的概率聚合图进行估计，可以获得显式形式的聚合分布和解聚分布，进而生成具有理解性的数据驱动状态聚合图。
- NIPS图分类的简单基线算法
提出一种快速、基于图拉普拉斯光谱分解的算法来进行图分类，与现有先进算法相比取得了竞争性的结果。
- ICML隐式分布的梯度估计的频谱方法
该论文提出了一种基于 Stein 恒等式和核算子的谱分解的梯度估计器，其中的特征函数由 Nyström 方法近似，可以直接估计梯度函数，适用于无采样点的外样本拓展，应用于无梯度的 Hamiltonian Monte Carlo 和带隐式分布 - 马尔科夫过程的频谱状态压缩
本研究利用香农熵的谱分解方法，对 Markov 过程的特征，以及如可表示性，可继承性和可压缩性等属性进行研究。研究者还开发了一种谱方法，用于估计低秩 Markov 模型的转移矩阵，以及恢复状态聚合和可堆叠分区等潜在结构。
- 基于频谱投影器的图傅里叶变换
本文研究了图傅里叶变换，其特征分解通过 $A$ 的乔然子空间进行，多用于大型稀疏图的缺陷邻接矩阵，通过谱投影器表达 GFT，并以真实的城市交通数据集为例进行了说明。
- 使用谱方法进行丰富观测 MDP 的强化学习
本文研究富观测马尔科夫决策过程（ROMDP），提出了一种谱分解方法用于在有限时间内成功地学习到每个观测状态的隐状态，由此引入了基于寻优算法的强化学习算法 UCRL，且在维度依赖性方面具有较弱的相关性的有限时间遗憾边界。
- 使用谱方法强化学习 POMDPs
提出了一种新的强化学习算法用于部分可观察的马尔可夫决策过程 (POMDP)，该算法基于谱分解方法，学习参数通过固定政策生成的轨迹，并通过优化 oracle 返回最优的无记忆规划策略，算法可以有效缩放观测和行动空间的维度。
- 图的频谱对齐
本文提出了一种改进的广义图对齐方法，该方法结合了匹配和不匹配两种条件，在不同的图案例中，通过矩阵的谱分解达到了较好的性能表现，尤其在对齐正则图结构方面显著优于现有方法。
- 使用一次齐次泛函的频谱分解
本文讨论使用绝对一次齐次正则化泛函在变分、尺度空间和反尺度空间中，对输入数据进行非线性谱分解的方法及其理论基础，并给出了与线性滤波理论密切相关的关于分解正交性、Parseval 等式以及广义（非线性）特征向量概念的数值结果验证。
- SE (3) 中的谱运动同步
探讨了运动同步（平均）问题，提出了基于谱分解的简单闭式解决方案，可直接在刚体运动流形 SE (3) 上工作，实验结果表明其在精度和速度方面比现有方法都有所提高。
- 加权主成分分析：一种加权协方差特征值分解方法
提出一种新的基于加权方差协方差矩阵的双谱分解方法，旨在在具有加权和 / 或缺失数据问题的情况下，检索给定数量的正交主成分，该方法通过将主成分拟合到数据并进行分解，从而检索主系数。通过在实际情况和模拟情况下进行测试，结果表明该方法能够在数据集