通过 Cholesky 分解对称正定矩阵的黎曼几何
该论文提出了两种基于 Choelsky 流形的对称正定流形的新度量方法,分别是对角功率欧几里得度量和对角广义 Bures-Wasserstein 度量,相较于现有的流形度量,这两种度量方法具有较高的数值稳定性和计算效率。
Jul, 2024
本文介绍了一个派生于黎曼商几何的指标和均值,用于一组固定秩的半正定矩阵。从积极锥的缩紧几何和相关流畅自然度量,提出了所提出的指标。所得到的黎曼空间具有强的几何特性:它是测地线完成的,并且度量在保持角度的所有变换(正交变换、比例变换和伪逆变换)下是不变的。提出了与所关联的黎曼距离的有意义的近似,可以通过基于 SVD 的简单算法有效地数值计算。其中的几何平均保留着秩,具有最理想的几何平均特性并易于计算。
Jul, 2008
该文提出了一种针对 Riemann 流形的 SPD 矩阵进行高维映射的方法,使用一组可证明的正定核函数来扩展基于核方法的算法,进而在人行检测、物体分类、纹理分析、2D 运动分割以及扩散张量成像分割等问题上取得了良好的效果。
Dec, 2014
提出了一种低复杂度的黎曼子空间下降算法,通过利用选择的子空间,并将更新写为迭代点的 Cholesky 因子和一个稀疏矩阵的乘积,避免了矩阵幂运算和密集矩阵乘法,能够高效地计算黎曼梯度,特别适用于协方差估计等领域。
May, 2023
本研究提出一种新的 Riemannian 几何方法来通过学习字典中的 SPD 原子的稀疏锥组合,将数据表示为 SPD 矩阵。通过比较与其他非 Riemannian 公式的稀疏编码的分类和检索性能,我们的实验表明了这种方法的卓越性能。
Jul, 2015
使用正定对称 (SPD) 矩阵表示图像和视频,并考虑到所得空间的里曼尼几何,已被证明在许多识别任务中有益。本文引入了一种方法来构建一个更具判别力的低维 SPD 流形以处理高维 SPD 矩阵,并将学习表述为 Grassmann 流形上的优化问题。实验表明,与现有技术相比,我们的方法可使分类准确性显著提高。
Jul, 2014
本文提出了在对称正定矩阵流形中使用向量值距离计算距离和提取几何信息,并开发陀螺矢量微积分,在该曲面上构建向量空间操作的类比。在知识图谱完成、项目推荐和问题回答等任务中,我们展示了这些操作的多样性。在实验中,SPD 模型优于欧几里德和双曲空间的等价物。向量值距离使我们能够可视化嵌入,展示模型学习从正样本中区分负样本的表示。
Oct, 2021
本文提出了一种信息差和词典学习(IDDL)的判别式度量学习框架,它不仅可以自动学习 SPD 矩阵上的应用特定测度,而且还可以使用学习的词典将它们嵌入为向量。我们使用最近引入的 α-β-logdet 散度学习相似度测量,并在鉴别性框架中联合学习分歧参数和词典原子的参数,利用 Riemannian 优化有效地解决了这个问题。在八个计算机视觉数据集上进行广泛的实验,展示了最先进的性能。
Aug, 2017