在线高秩矩阵补全
本文提出一种新方法,在低维数据内部的情况下,通过对基于多项式的生成的矩阵的秩进行最小化,使用内核技巧结合松弛约束的目标函数的新公式,快速恢复高秩或完全秩的矩阵中的缺失条目,并且这一方法在维度较高时具有很好的性能。
Dec, 2019
本研究提出了一种主动式矩阵完成算法,通过查询真实矩阵来克服数据不完备造成的不足信息问题,可以在仅查询少量条目的情况下高精准度地重构缺失的矩阵,并通过实验验证了该算法的高效性和精度。
May, 2017
本文以代数多样性为数据本身的情况进一步推广了低秩矩阵补全问题,结合仿射子空间集合进行研究,提出了一种有效的基于凸或非凸代价的矩阵补全算法,绕过高维幂律特征矩阵的直接处理,能够恢复合成数据和真实数据,且其性能优于传统的低秩矩阵补全和子空间聚类算法。
Mar, 2017
论文提出了一种基于 rank minimization 算法的在线优化方法,通过追踪低维度子空间、揭示潜在结构以及使用核范数正则化来实现低维矩阵数据和低秩张量数据的缺失值插补,模拟测试显示该方法在数据明显含噪、不完整的情况下表现突出。
Apr, 2014
本文研究了在线的鲁棒主成分分析(robust PCA)和在线低秩矩阵补全(low-rank matrix completion)的问题并提出了实用的算法,主要的贡献是在容易满足的假设下提供了正确性结果。
Mar, 2015
本文提出了一种简单的投影梯度下降方法来估计低秩矩阵,用于解决鲁棒矩阵完成问题,并且包括清除一些受损条目的步骤,并在低秩矩阵完成问题中获得了最优观测次数和最优破坏次数的解决方法。同时,本文的结果还意味着,对于低秩矩阵完成问题的时间复杂度界限,取得了重要的改进。最后,通过将结果应用于鲁棒 PCA 问题,得到了高效的解决方案
Jun, 2016
本文为低秩矩阵补全问题提供了最新的调查,对最新的 LRMC 技术进行了分类和详细说明,讨论了 LRMC 技术使用时需要考虑的问题,并介绍了基于卷积神经网络的 LRMC 算法,最后介绍了最新 LRMC 技术的恢复性能和计算复杂性。希望本文对初学者和从业者提供了有用的指导。
Jul, 2019
该文章研究了一个矩阵完成问题,该问题假设矩阵的列属于多个低秩子空间的并集,这将标准的低秩矩阵完成问题推广到了矩阵秩可以相当高或甚至是完全秩的情况。文章的主要结果表明,每一列可以从不完整的版本中完美地恢复出来,只要在均匀随机地观察至少 CrNlog^2 (n) 个条目的情况下,其中 C>1 是依赖于非相干条件、子空间的几何排列和列在子空间中的分布的常数,结果通过数字实验和应用于互联网距离矩阵完成和拓扑识别来加以说明。
Dec, 2011
本文围绕低秩矩阵重构问题,重点研究在观测样本受噪声污染时的矩阵填充问题,比较了 OptSpace、ADMIRA 和 FPCA 三种最新的填充算法在单一模拟平台上的性能,并给出了数值结果。实验表明,这些优秀的算法可以用于准确重构实际数据矩阵和随机生成的矩阵。
Oct, 2009