本文提出了一种新的解离主成分分析（DPCA）方法，旨在克服稀疏主成分分析（sPCA）在盲源分离中的局限性。DPCA结合了适应性阈值和梯度下降策略，显著提升了源提取能力，并在多个成像应用中表现优于传统方法。

本文探讨了稀疏主成分分析的NP-hard性及其与其他算法的关系，提出了多种新算法以提高线性系统求解的效率，涵盖了矩阵乘法、优化预条件器及复杂度下界等问题，并展示了在不同条件下的收敛性和时间复杂度改进。

本文探讨了稀疏主成分分析（PCA）在高斯噪声下的统计极限，分析了信号矩阵的检测和估计误差的相变现象。研究表明，附加信息可以提高任务准确性，并揭示了稀疏状态下的统计和计算限制。通过多种模型和算法，展示了稀疏PCA的有效性和挑战。

该文综述稀疏主成分分析（sPCA）研究，包括：提出获取稀疏、近不相关且载荷正交主成分的新方法，并开发增广拉格朗日算法求解非光滑约束优化；将正交性表述为秩约束，结合半定松弛与二阶锥不等式，或采用贪心算法求全局最优解；研究高维异方差数据的主成分估计、加权协方差双谱分解及一致性估计。实验表明这些方法在解释方差、正交性和支持恢复上优于传统方法。

该文综述稀疏主成分分析（sPCA）研究，涵盖坐标选择、阈值法、迭代阈值、半定规划松弛及增广拉格朗日算法等方法，在高维稀疏假设下估计稀疏载荷与主成分子空间，实现一致或最优恢复，并提升解释性与计算效率；同时指出sPCA在得分、残差和方差解释上的不一致与局限，并比较各方法在合成与真实数据上的表现。

该研究重新制定了稀疏主成分分析为凸混合整数半定规划问题，并设计了一个切平面方法。该方法在金融和医疗数据集上展示了可解释性和易于计算的能力。