核范数最小化的排名聚合
本文研究了机器学习中的排名聚合问题及其变种 —— 协同排名问题,提出了一种核范数正则化的优化方法用于估算用户偏好。实验结果表明,随着观测次数的增加,评估用户偏好的误差也相应减小。
Oct, 2014
利用核范数正则化寻找结构化低秩矩阵的问题,我们采用线性映射来编码结构,并提出了一种更有效的方法,与同类方法相比,该方法在迭代次数和计算成本上都有所改善,并在随机系统实现和光谱压缩感知问题中表现出色。
Sep, 2015
本文发展了使用分布式算法解决低秩矩阵加上压缩矩阵与稀疏矩阵乘积的分离任务,建立了分布式稀疏正则化秩最小化的算法框架,其中采用核范数和 l1 范数用作所需矩阵的秩和非零条目数的替代,使用交替方向乘法的分离算法来最小化经过采样和压缩的数据的秩和 nonzeros,从而解决了一些网络优化问题。
Mar, 2012
本文探讨了在张量补全中使用矩阵补全技术的不足之处,并证明了直接最小化张量核范数的凸优化方法对于提高样本需求是有益的。我们通过开发一系列代数和概率技术来建立结果,例如张量核范数的次微分的表征以及张量鞅的浓度不等式,这可能对其他张量相关问题具有独立的兴趣和有用性。
May, 2014
本文提出了一种新颖的排序逼近方法来提高 Top-N 推荐系统的性能,其中逼近误差是可控的,实验结果表明该方法显著提高了 Top-N 推荐的准确性。
Feb, 2016
本文提出一种基于 Logarithm-Determinant 的等级逼近方法,用于子空间聚类应用,并开发有效的优化策略,以实现收敛到一个稳定点,并在人脸聚类和运动分割任务方面比目前最先进的子空间聚类算法具有更好的效果。
Aug, 2015
本研究论文介绍新兴的矩阵填充技术及其应用,其中最简单的情况是从一个数据样本中恢复一个数据矩阵。本文提出通过核范数极小化技术,按数据约束条件恢复矩阵,可在一定程度下证明矩阵填充的准确性,数值结果表明,核范数极小化技术可以在很少的观测样本中准确填充低秩矩阵的许多缺失条目。
Mar, 2009
给定多个项目之间的成对比较,如何对它们进行排名,以使得排名与观察结果相匹配?本研究关注基于 Erdos-Renyi 异常值(ERO)模型的排名问题,在该问题中,每个成对比较都是真实分数差异的损坏副本。通过研究基于非归一化和归一化数据矩阵的谱排名算法,我们提供了每个项目从观察数据中恢复出其潜在分数的性能,并得出了非归一化 / 归一化数据矩阵的最大特征向量与其总体对应物之间的逐项扰动误差界限。通过留一法技术,我们提供了更精确的最大特征向量的 l∞范数扰动界限,并在只有 Ω(nlogn) 个样本的情况下导出了每个项目的最大偏移误差界限。理论分析在样本复杂度方面改进了现有技术的结果,并通过数值实验验证了这些理论发现。
Sep, 2023
本文介绍了一种基于反正切函数的更紧密逼近秩函数的方法,并使用它来解决具有挑战性的子空间聚类问题,并开发了一种基于增广拉格朗日乘数方法的有效优化过程。实验结果表明,所提出的方法对于秩逼近问题十分有效。
Oct, 2015
该研究提出了一种基于低秩假设的推荐算法,用非凸秩松弛而不是核范数来提供更好的秩近似和高效的优化策略,经过实验证明,该方法将 Top-N 推荐的准确性提升到了一个新的水平。
Jan, 2016