Sep, 2008
主成分分析的随机算法
A randomized algorithm for principal component analysis
Vladimir Rokhlin, Arthur Szlam, Mark Tygert
TL;DR本文提出一种有效的算法,用于对任意规模的矩阵进行低秩逼近,可以在保证精度的同时大大提高计算效率,实验结果证明了算法的可行性。
Abstract
principal component analysis (PCA) requires the computation of a low-rank
approximation to a matrix containing the data being analyzed. In many
applications of PCA, the best possible accuracy of any rank-deficient
approximation is at most a few digits (measured in the →
principal component analysislow-rank approximationspectral normefficient algorithmnumerical examples
发现论文,激发创造
使用随机算法实现主成分分析
本文介绍了针对 MATLAB 的基于随机化方法的低秩逼近算法,通过多个测试发现这些算法在准确性、速度和内存使用、易用性、可并行性和可靠性等方面都优于或至少与经典方法相当,但对于估计谱范数和计算最小奇异值及对应的奇异向量依然有待提高。
Dec, 2014
低秩逼近实现的稀疏主成分分析
本文介绍了一种计算正半定矩阵的 k - 稀疏主成分的新算法,其通过查看低维度特征子空间中的一组离散特殊向量来实现。该算法的近似保证取决于其特征值分布,这使得其能够在多项式时间内对任意精度进行近似计算,同时几乎能够匹配或优于之前算法在所有测试数据集上的表现。
Mar, 2013
鲁棒主成分分析?
本文介绍了一种名为主成分追踪的凸型优化方法,能在有噪声或缺损情况下准确分离一个 $ m * n $ 数据矩阵的低秩和稀疏成分,该方法有望应用于视频监控和人脸识别等领域。
Dec, 2009
图上稳健主成分分析
本文介绍了一种名为 “在图上强鲁棒性主成分分析” 的新模型,它将谱图正则化纳入了 Robust PCA 框架中,从而具有主成分丰富性、改进的低秩恢复、改进的聚类性质和凸优化问题等优点,从实验结果来看,模型在聚类和低秩恢复任务方面表现优异,优于其他十种最先进的模型。
Apr, 2015
信息论上最优稀疏主成分分析
本文讨论了两种概率稀疏主成分分析模型:钉住 Wigner 模型和钉住 Wishart 模型,并分析了一个用于估计基本信号的近似信息传递 (AMP) 算法。在高维极限下,AMP 估计是信息理论上的最优。此外,本文提供了稀疏 PCA 问题的单字母特征。
Feb, 2014