Feb, 2011

基于稀疏贝叶斯方法的低秩矩阵估计

PDF
TL;DR本文提出了一种新的基于贝叶斯原则的稀疏学习（SBL）的 “矩阵完成” 和 “鲁棒主成分分析” 算法，该方法通过将低秩约束作为稀疏约束来确定正确的秩，并能提供很高的恢复性能。
low-rank matricesmatrix completionrobust principal component analysissparse bayesian learningrank estimation
发现论文，激发创造
  • 自适应松弛谱正则化贝叶斯矩阵完成

    基于对称正则化的贝叶斯矩阵补全方法，无需参数调整即可自动推断潜在因子数量。在合作过滤中表现良好。

    Dec, 2015

  • 不完整观测下低秩矩阵恢复概述

    本文综述了利用低秩结构在信号处理和机器学习中进行矩阵恢复的现代方法，重点介绍了实践中最常用的算法，这些算法的现有理论保证以及这些技术的代表性实践应用。

    Jan, 2016

  • 应用于揭示流量异常的低秩加压缩稀疏矩阵恢复

    使用凸优化方法，本文针对低秩矩阵加已知压缩矩阵与稀疏矩阵的叠加，建立了确定性条件，恢复了低秩矩阵和稀疏矩阵，对网络异常检测等问题具有重要应用价值。

    Apr, 2012

  • 通过迭代重新加权最小二乘法恢复低秩矩阵

    使用迭代重加权最小二乘算法，同时结合核范数和近似低秩解的最小化，有效地从少量线性测量中恢复矩阵，并通过实验证明在矩阵完成问题中具有竞争力。

    Oct, 2010

  • 结构化低秩矩阵学习：算法与应用

    该论文提出了一种新的因子分解模型，它将低秩矩阵和线性子空间约束分离开来，从而使得优化问题在 Riemannian spectrahedron 流形上得以求解。实验证明，该方法在标准 / 鲁棒 / 非负矩阵补全，Hankel 矩阵学习和多任务学习等问题上具有较高的效率。

    Apr, 2017

  • 低秩矩阵感知的相关奇异向量机

    本文展示了一种新的贝叶斯推断方法，即在奇异矩阵的奇异向量上定义适当的先验，以促进低秩重构，并通过数值逼近加速运算，然后将该算法应用于矩阵完整性和重构问题，并对其性能进行了数值研究。

    Jun, 2014

  • 同时稀疏和低秩矩阵的估计

    本文介绍了一种罚矩阵估计过程，旨在同时具有稀疏和低秩的解决方案。我们引入了一个凸混合惩罚，同时涉及 l1 范数和迹范数。我们在链接预测问题中限制了广义误差，并开发了近端下降策略以有效解决优化问题，并在合成和真实数据集上评估了性能。

    Jun, 2012

  • 从误差和擦除中恢复低秩矩阵

    本文研究了从同时包含擦除和错误的观测版本中恢复低秩矩阵的方法，并提供了一种新的统一性能保证。

    Apr, 2011

  • 带稀疏先验的贝叶斯线性回归

    研究高维线性回归的完全贝叶斯程序，旨在寻找未知的稀疏矢量，选择正确的稀疏模型或显著不同于零的系数，并构建和研究置信集以量化不确定性。

    Mar, 2014

  • 用于稀疏表示的贝叶斯正交分量分析

    通过贝叶斯框架，使用稀疏源的混合问题，提出了一种对未观测源具有零原子和高斯分布的加权混合作为前任分布以促进稀疏度的下完备字典学习任务。

    Aug, 2009