- TERM 模型：张量环混合模型密度估计
通过采用张量环分解减少排列候选数量、增强表达能力，结合自适应权重的混合模型，将其与集成学习相结合的新方法在概率密度估计和采样中显示出优越性。
- 基于对数低秩张量环分解的高光谱图像融合
通过结合低空间分辨率高光谱图像（LR-HSI）和高空间分辨率多光谱图像（HR-MSI），提出一种基于张量环分解和张量核范数优化的图像融合方法，以改善高分辨率高光谱图像的视觉质量和各种定量指标的表现。
- 四元数张量环分解及其在彩色图像修复中的应用
在本文中，我们提出了四元数张量环（QTR）分解，它继承了张量环分解的强大和广义表示能力，同时利用四元数在颜色像素表示方面的优势。除了提供 QTR 分解的定义和学习 QTR 格式的算法外，本文还提出了一种基于 QTR 分解的低秩四元数张量补全 - 通过分块 Hankelization 和低秩张量网络逼近提高光学相干断层扫描图像质量
本文研究了光学相干断层扫描的图像超分辨率问题，提出了一种基于张量环分解的新型技术，并使用了一种名为重叠块汉克尔化的张量化方法，该方法允许我们更好地利用像素的相互关系从而实现更好的超分辨率。
- 大规模数据的可扩展和健壮的张量环分解
本文提出了一种可扩展且具有鲁棒性的张量分解算法，能够处理大规模张量数据的缺失值和异常值。该算法通过自适应填充缺失值和在分解过程中识别异常值的新颖自加权最速下降方法，结合张量环模型，采用快速 Gram 矩阵计算 (FGMC) 方法和随机子张量 - 张量环分解实现大规模动态网络表示
本文提出一种基于张量环分解的模型，将单个潜在因子相关的、非负的、乘性的更新方法融入到张量分解模型中，分析了张量环分解的特定偏差形式。在两个真实的大规模动态网络上的实验研究表明，该提出的方法比现有模型的准确性更高。
- MM学习多项式变换
提出了用于学习高维多项式变换高斯函数的算法，同时探讨了该算法在深度生成模型中的作用，同时还给出了可证实保证的分解高维张量算法
- ICML具有最坏情况保证的张量分解更高效的抽样方法
提出了基于采样的交替最小二乘法（ALS）方法，用于对张量进行低秩分解的 CP 和张量环分解，其成本不具有指数依赖性，并在特征提取实验中应用了这些方法，从而显著提高了先前的最新技术水平。
- ICML张量环分解的基于采样的方法
本文提出了一种基于采样的、使用杠杆分数样本交替最小二乘法的张量环分解计算方法，其中利用张量环张量的特殊结构，可高效地评估杠杆分数并获得复杂度次线性的方法，该方法在合成数据和真实数据实验中与现有方法相比具有显著加速效果，同时保持良好的准确性， - 用张量环核范数最小化实现视觉数据补全
该论文利用张量分解的方法，提出了一种新的张量核范数来解决图像 / 视频修复问题中的矩阵缺失， 并基于该方法提出了有效的张量完成算法。
- 随机张量环分解及其在大规模数据重建中的应用
本文介绍了两种基于随机投影的张量环分解算法。实验结果表明，这两种算法具有较高的压缩性，可应用于深度学习数据集压缩和高光谱图像重建等领域。
- 使用张量环压缩循环神经网络以进行动作识别
提出了利用低秩张量环分解重新构建输入到隐藏层变换的紧凑型 LSTM 模型 TR-LSTM，不仅在处理高维输入数据（如视频和文本）方面更具可扩展性和可训练性，而且其良好的稳定性和与其他最先进竞争对手相比的较高性能进一步表明了它在序列数据建模中 - 基于潜空间秩最小化的张量环分解：张量补全的高效方法
本文提出了一种新颖的张量完成方法，该方法通过利用张量环潜空间的低秩结构，将核范数正则化引入潜在 TR 因子，从而通过奇异值分解，同时获得最优秩的潜在 TR 因子和恢复的张量。实验结果表明，所提出的方法相对于现有的算法具有更好的表现和效率。
- 张量环分解
本文介绍了一种基本的张量分解模型：张量环分解，它能够通过一系列低维张量核的圆形多线性乘积来代表高维张量，并能够实现循环维度置换不变性，同时与 TT 分解具有相似的广泛表示能力。文章通过四种不同的算法对潜在核的优化进行了讨论，并探究了 TR