Exact Low-Rank Matrix Completion from Sparsely Corrupted Entries Via Adaptive Outlier Pursuit
在测量中无法有效处理随机值的噪声,这篇文章提出一种鲁棒方法的异常值处理方法,用来处理测量值中部分值被异常值毁坏的情况。这种方法可以准确的识别异常值的位置,并且使用正确的值来替代异常值。
1 介绍
略
2算法描述
假设秩r是已知的,大量的实验证明,当秩为已知情况下,(1.6)可以很好地处理矩阵补全问题。缺点是(U,W)并不是唯一的,在实际问题中,对于r*r矩阵A,((UA, A−1W))是另一种解决问题。许多学者已经对这个模型进行提升修改【2.9.10.18.19.23.26】
【3】结合上述问题提出RTRMC:
r是给定的秩,U是任一矩阵,他的行空间u属于格拉斯曼流形,在观测中Cij>0,λ是权重参数。使用黎曼信赖域方法来解决格拉斯曼流形的优化问题。数据实验显示,RTRMC比其他方法在大规模数据上有更好的效果,并且在长方矩阵十分有效并且会达到一个很小的相对误差。
然而在数据中存在稀疏随机值噪声是,测量结果不准确,为了克服这个问题,适应性的找到错误的位置并重建矩阵可以结合起来例如【29,30】,我们定义K为矩阵中的异常值数量,模型如下:
其中Λ ∈ Rm×n是一个二元矩阵,代表正确数据:
模型更新为:
为了解决非凸问题,我们使用最小二乘解决上述问题,可以将问题分成两步:
固定Λ更新U,W,需要最小化,可以通过RTRMC解决
固定U,W更新Λ,需要解决的问题是:
识别异常值的主要判别 为
如果第K和第K+1的值相同,那么我们选择任意Λ,例如并且
3 比较2.4和2.9
2.4
如果存在矩阵的一部分(L,S)满足,那么我们可以定义,
如果Λi, j = 0,我们有Mij=Lij+Sij,如果Λi, j = 1,Mi, j − (Li, j + Si, j ) = Mi, j − Li, j,因此等式改为
从3.2中s和^d的关系,和约束条件,我们知道上述的约束条件可以通过2.4替代。另一方面我们知道任意矩阵L(m*n)并且秩小于r可以被写成两个矩阵UW,全部优化问题等同于其他问题的全部优化问题。当这两个问题是非凸的,其中一个问题的局部优化问题等同于另一个问题的局部优化,然而L的最小化问题仅呗S和…^yueshu .
4 K学习
略
5 数值分析
略
6 结论
略
Exact Low-Rank Matrix Completion from Sparsely Corrupted Entries Via Adaptive Outlier Pursuit相关推荐
- Matrix Completion
http://perception.csl.illinois.edu/matrix-rank/references.html 2010年的CVPR最佳paper:Efficient computati ...
- UA MATH567 高维统计专题2 Low-rank矩阵及其估计1 Matrix Completion简介
UA MATH567 高维统计专题2 Low-rank矩阵及其估计1 Low-rank Matrix简介 例 在推荐系统中,Netflix data是非常经典的数据集.考虑它的电影评分数据,用矩阵的每 ...
- 论文笔记:Matrix Completion in the Unit Hypercube via Structured Matrix Factorization
2019 IJCAI 0 摘要 复杂任务可以通过将它们映射到矩阵完成(matrix completion)问题来简化.在本文中,我们解决了我们公司面临的一个关键挑战:预测艺术家在电影镜头中渲染视觉效果 ...
- 笔记:Matrix completion by Truncated Nuclear Norm Regularization
Zhang, D., Hu, Y., Ye, J., Li, X., & He, X. (2012, June). Matrix completion by truncated nuclear ...
- Matrix Completion with Noise
目录 引 恢复1 核范数与SDP 稳定恢复 Candes E J, Plan Y. Matrix Completion With Noise[J]. arXiv: Information Theory ...
- Sparse low rank approximation
1. Sparse and low rank approximation (source codes) :http://www.ugcs.caltech.edu/~srbecker/wiki/Main ...
- Graph Convolutional Matrix Completion,GC-MC
文章目录 Motivation Contribution Solution encoder 使用交互物品的特征 引入边信息 decoder 训练方法 权重分配 Evaluation Summariza ...
- Graph Convolutional Matrix Completion
Graph Convolutional Matrix Completion 该篇文章提出了基于图卷积的矩阵补全方法. 图卷积编码器 文章提出了一种能为每种边的类型分配单独的处理过程(简而言之,不同类型 ...
- 【卷积神经网络的加速】Speeding up Convolutional Neural Networks with Low Rank Expansions
主题:[深度卷积神经网络的加速] Speeding up Convolutional Neural Networks with Low Rank Expansions 附上论文链接:上一篇中提到的低秩 ...
最新文章
- 【PHP+JS】uploadify3.2 和 Ueditor 修改上传文件 大小!!
- gsoap 学习 1-由wsdl文件生成h头文件
- 嵌入式编程笔记之六--设备树初体验
- 计算机系统的基本功能,计算机系统的主要功能是什么
- CVX约束中定义中间变量或表达式
- C语言/C++基础知识
- Flex布局里的align-self属性
- why SAP CRM object family error message is filtered out
- 【Python CheckiO 题解】Xs and Os Referee
- Cell.reuseIdentifier 指什么
- 【AI】机器学习博士自救指南(严肃者慎入)
- 数据结构上机实验:单链表操作
- Deep Learning Tutorial - Multilayer perceptron
- 数学竞赛辅导陈启浩pdf_高中数学竞赛辅导书之强力推荐记
- HHUOJ 1860 哆啦A梦的口袋
- JQ siblings()方法 原生 js 获取所有兄弟节点
- vue + html2canvas + ArcGIS 3.x 地图一键截图功能踩坑之路(二)
- 1375. 至少K个不同字符的子串
- 采用轻型MiWi协议,Microchip发起进军WPAN首轮
- 哔哩哔哩弹幕处理+情感倾向分析
热门文章
- Firebug Lite:在IE上体验Firebug
- FastAdmin 基本知识流程一栏
- 微软 sntp服务器地址,电脑sntp服务器地址
- Photometric Stereo 光度立体三维重建(三)——由法向量恢复深度
- 链表中LinkList L与LinkList *L的区别以及(*L).elem,L.elem L-next,(*L)-next的区别
- sql中什么意思_百度知道
- RFID门锁 低功耗方案猜测
- 一些Perl例程(全部手打并执行过)
- 统计与运筹优化(6)-决策分析
- 浙江省计算机二级ppt教程,浙江省计算机二级OA考试题型要点PPT