鲁棒主成分分析?
本文扩展了 Principal Component Pursuit (PCP) 方法,通过引入改进的权重参数,可以在 “几乎全部” 条目未知的情况下恢复受破坏的低秩矩阵,并通过随机生成的数据进行了模拟验证。
Jan, 2010
本研究提出了一种新的稀疏 PCA 方法,旨在找到稀疏和几乎不相关的主成分,并具有正交的载荷向量,同时尽可能多地解释总方差。我们还开发了一种新的增广 Lagrangian 方法来解决一类非光滑约束优化问题,该方法非常适合我们的稀疏 PCA 公式。最后,我们将我们的稀疏 PCA 方法与其他方法在合成数据,随机数据和真实数据上进行比较。计算结果表明,我们的方法产生的稀疏主成分在总方差,主成分相关性和载荷向量的正交性等方面显着优于其他方法。
Jul, 2009
研究了关于在假定低秩矩阵 L 的列空间有部分知识的情况下优化 PCP 方法。提出了一种称为 modified-PCP 的改进方法,减轻了 incoherence 假设,并在 stylized real 应用中与 PCP 和其他现有方法进行了比较。阐述了在许多涉及时间序列数据的应用程序中,包括在线或递归鲁棒性 PCA 问题自然发生的问题,还给出了该情况的一个推论。
Mar, 2014
探讨使用罕见值鲁棒性来降低传统主成分分析的敏感性,研究低秩分解与稀疏分量,提出了一种新型的伪贝叶斯算法来解决现有非凸方法的设计缺陷,达到了顶尖表现及可扩大的操作范围。
Dec, 2015
该文介绍了一种名为 Outlier Pursuit 的基于凸优化的算法,该算法使用矩阵分解来恢复未损坏矩阵的正确列空间,并确定损坏的点。此算法在基因组学和金融应用中具有重要意义。
Oct, 2010
本文提出了一个针对估算稀疏鲁棒一维子空间的优化框架,通过最小化表示误差和惩罚来实现 l1 - 范数准则的优化。基于线性松弛方法,该算法在计算时间上具有最坏情况下的 O (n^2 m log n) 时间复杂度,并在某些情况下实现了稀疏鲁棒子空间的全局最优解,因此具有多项式时间效率。与现有方法相比,该算法能够找到具有最低不一致性的子空间,同时提供了稀疏性和拟合度之间更平滑的权衡。它的架构具有可伸缩性,对于 2000x2000 矩阵,计算速度相比 CPU 版本提高了 16 倍。此外,该方法独立于初始化,具有确定性和可复制性的优点。通过实际应用示例,证明了该算法在实现有意义的稀疏性方面的有效性,并强调其在各个领域中的精确和有用的应用。
Feb, 2024