广义低秩模型
本文提出了一种新的基于残差方差的概率主成分分析 (PPCA) 模型 —— 残差成分分析 (RCA),并探讨了由此框架产生的新算法,其中包括将高斯密度的协方差分解为低秩与稀疏逆两个部分的算法。作者在蛋白质信号网络恢复,基因表达时间序列数据集分析以及基于三维点云数据恢复人类骨架方面阐述了该模型的应用。
Jun, 2012
本文介绍了针对 MATLAB 的基于随机化方法的低秩逼近算法,通过多个测试发现这些算法在准确性、速度和内存使用、易用性、可并行性和可靠性等方面都优于或至少与经典方法相当,但对于估计谱范数和计算最小奇异值及对应的奇异向量依然有待提高。
Dec, 2014
本文介绍了一种名为 “在图上强鲁棒性主成分分析” 的新模型,它将谱图正则化纳入了 Robust PCA 框架中,从而具有主成分丰富性、改进的低秩恢复、改进的聚类性质和凸优化问题等优点,从实验结果来看,模型在聚类和低秩恢复任务方面表现优异,优于其他十种最先进的模型。
Apr, 2015
本文提出了一种基于主成分分析(PCA)的解决方案,通过设计凸优化问题来实现对高维数据集的低秩恢复,重点解决了高计算复杂性、非凸性和数据中的大量异常问题,同时经过了 7 组基准数据集的聚类实验和 3 组视频数据集的背景分离实验的测试,结果表明我们提出的模型优于 10 种最先进的降维模型。
Jul, 2015
本研究提出了一种新的稀疏 PCA 方法,旨在找到稀疏和几乎不相关的主成分,并具有正交的载荷向量,同时尽可能多地解释总方差。我们还开发了一种新的增广 Lagrangian 方法来解决一类非光滑约束优化问题,该方法非常适合我们的稀疏 PCA 公式。最后,我们将我们的稀疏 PCA 方法与其他方法在合成数据,随机数据和真实数据上进行比较。计算结果表明,我们的方法产生的稀疏主成分在总方差,主成分相关性和载荷向量的正交性等方面显着优于其他方法。
Jul, 2009
本文介绍了一种计算正半定矩阵的 k - 稀疏主成分的新算法,其通过查看低维度特征子空间中的一组离散特殊向量来实现。该算法的近似保证取决于其特征值分布,这使得其能够在多项式时间内对任意精度进行近似计算,同时几乎能够匹配或优于之前算法在所有测试数据集上的表现。
Mar, 2013
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
通过矩阵分解和投影梯度下降算法解决约束最优化问题,提供了一种通用理论框架,当给定适当的初始化时,可以几何级数地收敛到具有统计意义的解,适用于许多具体模型。
Sep, 2015