支持预测的改进 CS 算法用于递归鲁棒主成分追踪
本文研究递归鲁棒主成分分析问题,通过提出的基于低维子空间的 Recursive Projected CS 方法及其简化版,在已知 $L_t$ 的子空间改变模型并对其谐波的假设下,能高概率恢复时间序列的稀疏向量 $S_t$ 及密集噪声 $L_t$,并应用于视频监控等领域。
Dec, 2013
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
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
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
提出了一种名为 simple-ReProCS 的新算法,它是基于递归投影压缩感知(ReProCS)框架的,用于动态 RPCA 问题中的离群值检测和跟踪,并能够在弱化标准 RPCA 假设、慢潜空间变化和适当假设离群值大小的条件下提供第一个完整的保证。
May, 2017
本文提出了两种基于半定规划的鲁棒主成分分析方法,一种是寻找数据中大波动方向的最大平均绝对偏差舍入方法 (MDR),另一种是通过分离出受损观测值的低杠杆分解 (LLD) 来尝试建立数据的低秩模型。通过数值实验可以证明这些新技术的价值。
Dec, 2010
本研究考虑利用已知部分的支持的信息来重构稀疏信号,提出了一种基于凸松弛的算法来获得除部分支持已知的信号外最稀疏的信号,以及基于先前信号估计知识的重构方法,并进行了模拟比较。
Mar, 2009