本文介绍了一种基于深度神经网络的鲁棒自编码器模型,该模型可以对数据进行异常检测,并能够学习捕获大多数数据点的非线性子空间。
Apr, 2017
该研究探讨了高维数据降维中的异常值问题,提出了一种可应用核函数的高维稳健主成分分析算法,该算法最大化稳健性,并实现了在异常值比例为零时的最优结果。
Feb, 2010
本论文提出了一种新的预测子空间聚类方法,该方法可以将高维数据划分为互不相交的线性子空间聚类,同时估计子空间的 PCA 参数,实现变量选择,经过实验在基因表达数据集上得到了较好的结果。
Mar, 2012
本文针对特征数比样本个数大的情况,提出了一种新的迭代阈值方法,用于估计主成分空间,这种方法在高维稀疏场景下实现了主成分空间和主要特征向量的一致恢复和最优恢复。模拟实例也证明了其具有竞争性的性能。
Dec, 2011
本文总结了基于随机投影的不同方法的使用情况,旨在帮助实践者为其特定应用选择合适的技术,并列举了各种方法的优缺点,并为研究人员提供进一步的参考,以开发新的基于随机投影的方法。
Jun, 2017
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
研究 PCA 在高维,低样本大小的情况下的渐近行为,发现在一些充分的条件下,估计的 PC 方向是一致的,其他的方向强不一致,而这些条件在主定理中指定。
Nov, 2009
本文研究具有多台服务器的分布式计算环境,通过开发 PCA 算法来处理点集的低维子空间问题,进而解决异常检测以及聚类等计算问题,提出的新算法显著降低了 $k$-means 聚类与相关问题的计算以及通讯成本,并且经过实验验证,在解决方案质量方面具有忽略不计的退化。
Aug, 2014
本文分析了高维数据降维方法主成分分析 (PCA) 在异方差噪声干扰下的表现,并通过简化的表达式提供了计算 PCA 成功从噪声数据中恢复样本真实的子空间和子空间系数的方法,证明了在固定平均噪声方差的情况下,异方差噪声下 PCA 的表现总是低于同方差噪声下 PCA 的表现。
Mar, 2017
使用稀疏 PCA 算法,选择最大方差的坐标子集,估计特征向量并在原始基础上重新表达,在适当的稀疏性假设下,实现一元模型的一致性估计。
Jan, 2009