在不相干矩阵上击败随机响应
本文提出了一种称为低秩机制(LRM)的新型隐私保护技术,通过对工作量矩阵进行低秩逼近来回答批量查询,可以实现高精度的处理结果,同时保证数据隐私。与现有技术相比,LRM 在实际中具有较高的精度。
Aug, 2012
本文提出了一种特定偏向分布的采样方式,利用该采样方式可以从少量采样的数据中精确恢复任何秩为 r 的 nxn 的矩阵(无需满足之前已有的结构限制要求),而且在没有先验信息下本文建立了三种使用该采样方式的方法,其中还包括分析了针对非均匀采样情形中,加权核范数 / 迹范数惩罚的优点。
Jun, 2013
本文介绍了一种用于构建随机算法的模块化框架,以进行矩阵分解,通过随机抽样识别矩阵的大部分内容,并将输入矩阵压缩到子空间,这种方法在精度、速度和鲁棒性方面都比传统方法更具优势,能够更好地解决大数据集合的问题。
Sep, 2009
本文提出一种用于从受损数据修复秩为一矩阵的算法,特别针对带有任意大干扰的众包数据分类问题,通过交替最小化与极值过滤相结合,本文提供了充分必要的条件,可以在明确哪些信息受到损坏的情况下进行完美修复,并且在 “对抗” 情景下击败了所有现有算法。
Oct, 2020
本文提供了两种不同的音量模型下的算法,能够克服实践中存在的鸡兔同笼且带有噪音的矩阵完形填空问题,并给出了小样本复杂度。实验表明,提出的算法在合成和现实世界中的数据集下均表现出色。
Dec, 2016
本文研究了在正定核框架下的监督学习问题,提出了基于随机矩阵列采样的核矩阵低秩近似方法,此方法可以在 sub-quadratic 的时间复杂度内有效解决核矩阵计算问题,同时保持预测性能不变。
Aug, 2012
本文围绕低秩矩阵重构问题,重点研究在观测样本受噪声污染时的矩阵填充问题,比较了 OptSpace、ADMIRA 和 FPCA 三种最新的填充算法在单一模拟平台上的性能,并给出了数值结果。实验表明,这些优秀的算法可以用于准确重构实际数据矩阵和随机生成的矩阵。
Oct, 2009