本文提出了一种新方法LoRI，旨在减少多任务低秩适应中的参数干扰和开销。通过随机投影和任务特定掩模，LoRI显著降低了可训练参数数量，同时保持强大性能，实验表明其可减少95%的可训练参数。

本文提出了一种压缩学习框架，通过限制集估计模型参数，成功应用于高斯混合模型和说话人验证任务。研究开发了新的随机投影矩阵技术，提供了降维性能的确切表达式，适用于多种机器学习任务。该框架在压缩PCA、聚类和高斯混合建模中得到验证，并探讨了控制广义误差的描绘尺寸。

本文介绍了一种基于随机投影的张量环分解算法，具有高压缩性，适用于深度学习数据集压缩和高光谱图像重建。同时，提出了深度多任务表示学习框架，优化了推荐系统的内存容量问题，提升了模型性能和准确性。

本文探讨了在随机投影压缩数据上进行低秩矩阵和张量分解的方法，研究了如何在压缩域内重构原始因子。实验验证了该方法在基因表达和脑电数据集中的有效性，并提出了多种压缩技术以提高数据解压缩性能。

本文提出了一种新的低质量嵌入定义，利用随机投影和BBD树等数据结构有效解决欧氏空间中的近似最近邻问题。该方法在动态数据集上优于传统算法，显著改善了查询时间和空间复杂度，适用于高维数据的信息挖掘和机器学习。