- 距离矩阵的亚线性时间低秩逼近
本文研究了距离矩阵的低秩近似,证明了在任何底层距离度量下,均可以在亚线性时间内实现加性误差的低秩近似,并发展了一种基于投影 - 成本保持抽样的递归算法。同时,在一般情况下,相对误差逼近是不可能的,即使允许二标准解决方案。此外,如果 P = - ICML再生核 Krein 空间中的可扩展学习
本文首次提供了 Nyström 方法用于求解不定核的低秩矩阵逼近的数学完整证明,并提出了一种高效的方法来寻找这种核矩阵的近似特征分解,以此构建可在再现核 Krein 空间中学习的高度可扩展方法。这些方法提供了一种有原则的并且理论基础良好的方 - 低秩二进制矩阵逼近问题的逼近方案
我们为一种关于二进制向量聚类的约束性问题提供了一种随机线性时间逼近方案,并且通过解决这个问题,我们获得了在二进制向量聚类和二进制矩阵低秩逼近方面的第一个线性时间逼近方案。
- 在线和滑动窗口模型下的近似最优线性代数
本研究讨论了滑动窗口模型下的数值线性代数问题,提出了基于行采样的框架并使用随机化算法求解谱逼近、低秩逼近 / 投影成本保持、基于 l1 范数的子空间嵌入等问题,同时通过与在线模型的联系,提出了正文算法,并应用于列 / 行选择、主成分分析等问 - 一种低秩先验和深度卷积神经网络的光场超分辨率方法
本文介绍了一种用于恢复整个光场并实现在所有子孔径图像上的一致性的学习空间光场超分辨率方法,其中算法先使用光流来对齐光场,然后使用低秩近似来减少其角度尺寸,最后通过 DCNN 来恢复超分辨率嵌入。实验结果表明,该方法优于现有的光场超分辨率算法 - Kronecker 乘积回归和 P 样条的草图
本文提出一种名为 TensorSketch 的算法,它可以用于 Kronecker 乘积回归、正规化样条回归等问题,并且还可以用于基本相关性分析和低秩逼近。此外,该算法还被扩展到用于其他范数的计算。
- NIPS核矩阵低秩逼近中是否存在稀疏化输入时间?
本文研究了计算有效的低秩核近似的限制,证明计算相对误差 k 秩逼近 K 对于广泛类别的核,包括高斯和多项式核,至少与将输入数据矩阵 A 乘以任意矩阵 C 一样困难,并给出了一些希望:首次证明对于一般的径向基函数核, 如高斯核,存在 $O ( - CVPR基于经典缩放的流形距离矩阵高效稀疏表示
本文提出了一种利用双调和插值有效地表示测地距离矩阵的稀疏方法,用于在大数据点集上进行多维缩放分析,相比目前领先的方法,该方法运行速度更快,占用内存更少,可使先前不可行的大数据点集的分析成为可能。
- 利用环结构网络学习高效张量表示
提出一种称为张量环表示的新型张量分解的网络结构,该结构采用低阶核张量的循环多线性乘积,通过低秩近似的方法来有效地学习张量环表示,可以在计算上更有效地执行基本操作,并且通过与现有的张量列网络相比实验结果表明,该模型更具表达能力和一致性信息。
- 基于凸低秩矩阵优化的深思决策:最佳存储
本文介绍了一种基于 SketchyCGM 的算法,使用低秩近似来解决凸矩阵优化问题,该算法修订了条件梯度法,仅存储矩阵变量的随机草图,最后从草图中提取出低秩近似解决方案。与非凸启发式相比,SketchyCGM 的保证不依赖于问题数据的统计模 - 大规模核机器的随机聚类 Nystrom
通过基于随机化 K-means 算法的优化 Nystrom 方法,本文提出了一种能适用于大规模数据集的低秩近似计算算法,使得在高维数据集上能够以较小的准确性损失实现更高的计算效率。
- 低秩矩阵近似的实用素描算法
该论文介绍了构建输入矩阵的低秩近似的算法套件,这些算法使用矩阵的随机线性图像(称为草图)。这些方法可以保留输入矩阵的结构特性,如半正定性,并且可以生成具有用户指定秩的近似值。此外,每种方法都伴随着一个信息性误差界,允许用户预先选择参数以实现 - 通过 Ridge Leverage Score 抽样进行输入稀疏时间低秩逼近
该研究提出了一种新的基于采样策略的算法来计算矩阵的最优低秩逼近,相较于之前基于随机投影的算法,该方法可适用于稀疏结构等场景,并在核矩阵逼近算法方面表现最优。
- 次采样牛顿法的收敛速率
本文提出了一种结合子抽样技术与低秩逼近,收敛速度可与牛顿法相媲美但迭代成本较小的随机批量算法,且具有较强的鲁棒性和复合收敛速度,同时也能用于先前被提出的子抽样算法,并且应用于多个著名机器学习问题的数据集上,具有更好的效果。
- 随机块 Krylov 方法用于更强和更快的近似奇异值分解
通过引入块 Krylov 方法,本文改进了随机幂迭代法的时间复杂度,并给出了针对任何矩阵的主成分分析的近似最优解,同时探讨了简单技巧如何利用常见的矩阵属性显著提高运行时间。
- 基于低秩分解的全连接 CRF 高效 SDP 推理
该研究论文提出了一种基于低秩近似和可扩展的半定规划算法的高效全连通条件随机场推理方法,该方法可以用于以前无法解决的全连通 CRFs,如像素级图像共分割。
- 使用随机算法实现主成分分析
本文介绍了针对 MATLAB 的基于随机化方法的低秩逼近算法,通过多个测试发现这些算法在准确性、速度和内存使用、易用性、可并行性和可靠性等方面都优于或至少与经典方法相当,但对于估计谱范数和计算最小奇异值及对应的奇异向量依然有待提高。
- 通过采样杠杆元素实现更紧凑的低秩近似
本文提出了一种新的随机算法,该算法采用特别偏向采样的方法,使误差最小化,可以在光谱范数下利用输入稀疏性生成 M 的秩 - r 逼近,并具有 better dependence on error ε,是一种高度可并行化的优化方法。此外,本论文 - ICLR深度神经网络中条件前馈计算的低秩近似
本文研究深度神经网络中的可扩展性问题,提出了一种条件计算的方法,利用门控单元来确定节点何时进行计算,通过将权重矩阵分解成低秩逼近,能够有效地获得非线性激活前的正负号,在使用 ReLU 激活函数时,能够跳过一些节点的计算,加速稀疏神经网络的运 - 低秩矩阵分解的随机算法:尖锐性能界限
本文研究文献中关于维数约减最常讨论的算法之一,即用低秩矩阵来近似输入矩阵的算法。我们介绍了 Martinsson 等人(2008)中算法的新颖分析方法,可以得出尖锐的估计和关于其性能的新见解。通过实验,我们证明了我们预测的紧密性与经验观测的