本書以降低樣本復(fù)雜度為目標(biāo)，建立了一系列高精度的缺失成分分析方法，首先提出了以多結(jié)構(gòu)張量分解、貝葉斯張量環(huán)、非負(fù)張量環(huán)為代表的低秩張量表示模型，提升了當(dāng)前張量補(bǔ)全方法的性能；其次構(gòu)建了平滑張量樹和可訓(xùn)練子空間張量補(bǔ)全模型，有效降低了補(bǔ)全算法的樣本復(fù)雜度，為解決極少樣本條件下的張量補(bǔ)全問題提供了新思路。