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
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
本研究考虑了一个不带标签数据集的聚类问题,它们被认为靠近低维平面的联合。研究人员发展了一种新的基于几何分析的算法,名为稀疏子空间聚类(SSC),可以广泛应用于无监督学习和计算机视觉等领域,论文展示了它在多个方面的有效性,并开创了有关稀疏恢复问题的新思路,数值研究强调了方法的实用性。
Dec, 2011
本研究提出了一种简单、低复杂度的子空间聚类算法,通过阈值化数据点之间的相关性来构建邻接矩阵,并且对噪声和异常值具有鲁棒性,可用于处理高维、噪声丰富的数据点。
Jul, 2013
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
本研究考虑通过低维特征提取高维信号的分类与恢复问题,研究了侧信息对于高维信号恢复的影响及其本质极限,其中使用高斯混合模型描述信号与侧信息之间的关联关系并分析了该模型的近似低秩结构。
Dec, 2014
本文提出了一种非严格公式的有效算法,该算法在缺失数据的情况下能够将分类和回归任务的数据处理成低秩子空间,并能够有比最佳线性分类器和数据所在的最低维子空间更高的分类能力。
Jan, 2015
研究了高维混合的两个高斯类在噪声条件下的学习,正则化方法可以让分类器达到贝叶斯最优性能,同时分析了正则化程度的影响。
Feb, 2020
本文研究半空间分类问题,在给出令人困扰的常规算法的同时,提出了更简单优雅的算法以及进一步解决了多个未解决的问题,并通过实验证明了该算法具有公平性。
Jun, 2020
本文研究了高超参数线性模型在多类别高斯协变量下的渐近泛化,包括对 Subramanian 等人所提出的双层模型的研究,提出了新的下界,证明了该模型的渐近一致性,并提供了一个在稀疏标签多类问题中广泛适用的 Hanson-Wright 不等式的变体。
Jun, 2023