Handbook of Robust Low-Rank and Sparse Matrix Decomposition

【ICML2021】基于稀疏标签编码的多维分类 在多维分类中，输出空间中存在多个类变量，每个类变量对应一个异构类空间。由于类空间的异质性，在从MDC示例中学习时，考虑类变量之间的依赖关系非常具有挑战性。本文提出了一种新的多目标预测方法，即SLEM方法，它在编码的标签空间中学习预测模型，而不是在异构的标签空间中学习预测模型。具体来说，SLEM在编码-训练-解码框架中工作。在编码阶段，通过成对分组、一次热转换和稀疏线性编码三种级联操作，将每个类向量映射为实值向量。在训练阶段，在编码标签空间内学习多输出回归模型。在解码阶段，通过对学习的多输出回归模型的输出进行正交匹配追踪，得到预测的类向量。实验结果清楚地验证了SLEM相对于最先进的MDC方法的优越性。

Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering

numerical_solver:ODE，DAE，Newton和矩阵求解器的实现

机器学习中的稀疏表示。含有standford课程及其练习，最后代码都完成实现。

ELAD

包含cu101+torch_cluster-1.5.4+torch_scatter-2.0.4+torch_sparse-0.6.1+torch_spline_conv+torch-1.4.0+torchvision-0.5.0-cp37-win_amd64等多个.whl文件，图神经网络编程用

ICPR2020论文《Filter Pruning using Hierarchical Group Sparse Regularization for Deep Convolutional Neural Networks》开源代码，可对模型进行分层分组稀疏正则化，可以根据这个做剪枝，效果接近SOTA，可以对vgg11、vgg13、vgg16、vgg19及其bn、resnet18、resnet34、resnet50等在cifar10/100/tinyImagenet上分别实现

稀疏与低秩表示：优化与运算——解决凸（非凸）函数，光滑（不光滑）函数问题。

稀疏傅里叶变换（sparse FFT）-附件资源