本研究提出了一种新方法，解决设备端学习中的内存和计算约束问题，作为低秩分解的替代方案。实验结果表明，该方法在激活内存使用上可降低120.09倍，并减少训练FLOPs达1.86倍。

本研究提出了一种新框架I²LDL，解决不完整标签分布学习中标签不平衡的问题。通过低秩分解和稀疏成分，有效捕捉标签结构，实验验证了其效果和鲁棒性。

我们提出了一种软硬件协同优化的系统方法，用于从稀疏输入中进行信号重建。软件层面上使用神经场通过神经网络隐式表示信号，并使用低秩分解和结构化剪枝进一步压缩。硬件层面上，设计了一种基于可变电阻存储器的计算内存平台，包括高斯编码器和多层感知器处理引擎。此工作推进了以人工智能为驱动的信号恢复技术，并为未来高效稳健的医疗人工智能和三维视觉应用铺平了道路。

通过低秩分解和重构技术，提出了一种统一跟踪器Un-Track。该方法通过学习共同的潜在空间来处理任何模态，并且只使用RGB-X对来学习共同的表示。在五个具有不同模态的基准数据集上的比较表明，Un-Track超过了最先进的统一跟踪器和经过模态特定微调的对应物，验证了其有效性和实用性。