Oct, 2010

低秩表示法恢复子空间结构

PDF
TL;DR该研究提出了一种名为低秩表示（LRR）的新方法，它可以在给定字典中，寻求能够线性组合数据样本的最低秩表示，从而准确地解决亚空间恢复问题，包括亚空间分割和错误修正，并且具有较高的容错性和效率。
subspace recoverylow-rank representation (lrr)segmentationerror correctionoutliers
发现论文，激发创造
  • 利用低秩表示进行精确子空间分割和异常值检测

    提出了一种基于低秩表示 (LRR) 的方法，能高效地、准确地检测异常值和将样本分割到它们所属的正确子空间中；利用 LRR 可恢复样本的行空间来确定子空间成员资格。

    Sep, 2011

  • 一些低秩子空间恢复模型之间的关系

    本文发现一些代表性的子空间恢复模型（如 Robust Principal Component Analysis（R-PCA），Robust Low Rank Representation（R-LRR）和 Robust Latent Low Rank Representation（R-LatLRR））之间存在深层次联系，一旦获得一个模型的解决方案，可以通过封闭形式公式获得其他模型的解决方案，从而使得 R-PCA 成为低秩子空间恢复模型的核心。同时，通过先解决 R-PCA 可以获得显著更快的算法，并且可以通过应用低复杂度的随机算法进一步降低计算成本。

    Dec, 2014

  • 超越低秩表示：多视图谱聚类最优图结构正交聚类基重构

    本文探究了低秩表示（LRR）的本质，将其发现为基于聚类投影的表示方法，通过基于低秩矩阵分解将其转换为同时学习正交聚类表示和优化本地图结构的问题，并且得到了在多视图数据上的实验验证。

    Aug, 2017

  • 格拉斯曼流形上的低秩表示：一种外置视角

    该论文研究使用 Grassmann 流形嵌入 Low-rank representation（LRR）来进行子空间聚类的方法，并提出了新的 Grassmannian LRR 算法，通过手写数字，动态纹理视频剪辑和 YouTube 名人面部视频数据的聚类实验，证明了该方法优于其他现有方法。

    Apr, 2015

  • 最小二乘回归的稳健高效子空间分割

    研究多个线性子空间的数据分割问题。最新的方法使用稀疏表示、低秩表示及其扩展引起了广泛关注。该论文介绍了基于数据相关性提出的最小二乘回归 (Least Squares Regression, LSR) 方法，对实验数据进行处理，获得了比目前最先进的方法更高的分割准确性与更高的效率。

    Apr, 2014

  • 鲁棒子空间恢复概述

    此论文为关于鲁棒性子空间恢复的工作作为介绍。该工作重点介绍了现有方法的优缺点以及该领域中未解决的问题，其目标是在可能被离群值破坏的数据集中查找潜在的低维子空间。

    Mar, 2018

  • 具有半定保证的鲁棒低秩子空间分割

    研究了利用 LRR-PSD 算法来实现高维结构数据的分割，其通过显式地施加正半定约束将稀疏重构的亲和矩阵转换为低秩表示。

    Sep, 2010

  • 数据聚类的鲁棒异常张量低秩表示

    提出了一种用于同时检测异常值和对被异常值污染的张量数据进行聚类的鲁棒低秩表示方法，基于张量奇异值分解代数框架。实验证明了该算法的有效性。

    Jul, 2023

  • 学习聚类和分类的变换

    本研究提出了一种基于低秩变换学习的健壮子空间聚类和分类框架，其中学习的线性转换通过其凸替代核范数作为优化标准来恢复来自相同子空间的数据的低秩结构，并同时在来自不同子空间的数据之间强制产生最大分离结构，以实现更稳健的子空间聚类。所提出的框架通过大量实验表明，能够显着提高现有子空间聚类和分类方法的性能。

    Sep, 2013

  • 鲁棒子空间学习：鲁棒主成分分析、鲁棒子空间跟踪和鲁棒子空间恢复

    本研究概述了鲁棒子空间学习和跟踪领域。通过罕见因素加上低秩矩阵分解（S+LR），在存在异常值的情况下解决了罕见子空间学习或 PCA 问题，并发现针对长数据序列的跟踪鲁棒子空间的更好的模型是假设数据位于低维子空间中，而该模型的异常值被作为稀疏病态安装建模。

    Nov, 2017