近似内积和降维的最优压缩
研究采用缩略图替代数据矩阵来加速 k - 均值聚类和约束 k - 秩近似问题的精确、近似或启发式算法,并提供降维和草图技术及近似算法来解决这些普遍问题。
Oct, 2014
研究子空间草图问题,通过构建一个小空间数据结构压缩给定矩阵,讨论其压缩方案和所需存储空间以及相应的下界,探讨其在矩阵乘积中的应用,展示了对内积基于任意数构建数据结构的不可行性以及 l1 奇异值分解的不同情况下的空间复杂度变化。
Apr, 2019
研究了一个基于稀疏 Johnson-Lindenstrauss 变换的几何设置,它在 T 上保存每个 x 的范数,从而推导出一种关于几何复杂度的新参数,并且该参数可以帮助限制需要 M、S 的大小。这一结果是 Gordon 定理的稀疏模拟,并且该方法可应用于经典和基于模型的压缩感知、流形学习和约束最小二乘问题等领域。
Nov, 2013
本研究对矩阵进行草图,着重探讨了矩阵的不同类型和查询所需的精度。特别地,我们尤其关注了具有特殊特性的正半定矩阵和图拉普拉斯矩阵,为其设计了更优秀的草图,并探讨了草图的实际应用。
Nov, 2015
给定 $n$ 个 $d$ 维实向量,存在一个嵌入函数将这些向量映射到更低的维度 $m$,满足它保留这些向量之间的欧几里得距离并且它需要的最低维度是 $O (\epsilon^{-2} \log n)$,其中 $\epsilon$ 是距离阈值,这个结果匹配 Johnson-Lindenstrauss 引理的上界。
Sep, 2016
研究了多维欧氏空间中寻找一个 k 维子空间 F,使得一组 n 个点到该子空间的 p 次方欧氏距离和最小的问题。进一步探讨了在某些损失函数 M ()(如 Huber 和 Tukey 损失函数)下此问题的最优解。这些鲁棒子空间可替代奇异值分解(SVD)提供更有效的解决方案,对于典型的 M-Estimators,对离群值的鲁棒性更强。本文给出了一些这些鲁棒子空间逼近问题的算法和难度结果。
Oct, 2015