Sep, 2011

利用低秩表示进行精确子空间分割和异常值检测

PDF
TL;DR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。
matrix recoverylow-rank representationoutlier detectionsubspace segmentationrow space
发现论文，激发创造
  • 低秩表示法恢复子空间结构

    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。

    Oct, 2010

  • 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

  • 基于可验证自表示的子空间并集异常检测

    该论文提出了一种结合了稀疏表示和随机游走的新的离群值检测方法，通过定义合适的马尔科夫链从而将离群值和基本 / 非基本状态联系起来，实现了在大型数据集中正确检测离群点的目的。

    Apr, 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

  • 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

  • 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

  • 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

  • 级联子空间聚类用于异常检测

    本文提出了一种新的异常检测框架，使用多次自表示构建弱异常检测器，利用弹性网络和马尔可夫链在每个阶段构建自表示，实现梯度提升，将多个弱检测器结合成一个强检测器，可应用于图像和讲者数据库中的异常检测问题，并取得了优异的实验效果。

    Jun, 2023

  • 无监督异常检测的鲁棒子空间恢复层

    提出了一种基于神经网络的无监督异常检测方法，采用鲁棒子空间恢复层，该层从给定数据的潜在表示中提取基础子空间，并去除偏离该子空间的异常值，在图像和文档数据集上进行了广泛的数值实验，并展现了最先进的精确度和召回率。

    Mar, 2019