Dec, 2014

一些低秩子空间恢复模型之间的关系

PDF
TL;DR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。
subspace recoverylow rank minimization problemsrobust principal component analysisr-lrrr-latlrr
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

  • 鲁棒子空间学习：鲁棒主成分分析、鲁棒子空间跟踪和鲁棒子空间恢复

    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

  • 利用低秩表示进行精确子空间分割和异常值检测

    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。

    Sep, 2011

  • 使用低秩字典追踪技术恢复连贯数据

    研究表明，当数据具有高相干性时，常规的 RPCA 方法表现不佳。使用低秩表示（LRR）能够缓解这一问题，并且当字典本身是低秩的时，LRR 更能有效地处理相干数据。作者设计了一种无监督环境下获取适当字典的实用算法，并在随机生成的矩阵上进行广泛实验以验证其结果。

    Apr, 2014

  • 具有部分子空间知识的鲁棒 PCA

    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

  • 鲁棒低秩张量恢复：模型与算法

    本文在凸优化框架中研究了鲁棒性低秩张量恢复问题，并提出了具有全局收敛保证的定制优化算法，包括交替方向增广 Lagrange 算法和加速近端梯度方法。作者还提出了一种非凸模型，并通过实际应用展示了鲁棒性低秩张量恢复的实用有效性。

    Nov, 2013

  • 论鲁棒主成分分析和 L1 范数低秩矩阵逼近的复杂度

    本篇论文证明了基于分量的 l1 - 范数的低秩矩阵逼近问题是 NP-hard 的， 并与其它著名问题进行了有趣的联系。

    Sep, 2015

  • 学习聚类和分类的变换

    本研究提出了一种基于低秩变换学习的健壮子空间聚类和分类框架，其中学习的线性转换通过其凸替代核范数作为优化标准来恢复来自相同子空间的数据的低秩结构，并同时在来自不同子空间的数据之间强制产生最大分离结构，以实现更稳健的子空间聚类。所提出的框架通过大量实验表明，能够显着提高现有子空间聚类和分类方法的性能。

    Sep, 2013

  • 流形优化的鲁棒 PCA

    本文提出了两种算法 (用于两个版本的收缩)，这些算法基于流形优化思想将稳健主成分分析 (Robust PCA) 问题看作低秩矩阵上的非凸优化问题，与基于 Burer-Monterio 低秩矩阵分解的先前工作相比，本文所提算法在理论上降低了对底层低秩矩阵条件数的依赖，并且仿真和实际数据证实了本方法的竞争性能。

    Aug, 2017

  • 鲁棒主成分分析？

    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