矩阵适用于表示具有复杂结构的大量数据，例如图像和脑电图数据（EEG）。 为了学习处理这些矩阵数据的分类器，特征矩阵的结构信息是有用的。 本文着重于正则化的矩阵分类器，其输入样本和权重参数均为矩阵形式。 现有的一些方法假设权重矩阵具有低秩结构，然后利用权重矩阵的流行核规范作为正则化项。 但是，这些矩阵分类器的优化方法通常涉及大量昂贵的奇异值分解（SVD）操作，从而无法扩展到适中的矩阵大小。 为了降低时间复杂度，我们提出了一种新颖的学习算法，称为基于原子分解的次梯度下降法（ADBSD），它解决了以目