不完整观测下基于L0替代方法的稳健主成分分析和子空间跟踪
摘要：通过将数据矩阵分解为低秩和稀疏分量，数据分析中的许多应用依赖于此。现有的处理此任务的方法使用核范数和L1成本函数作为秩约束和稀疏度量的凸松弛，或者使用阈值技术。我们提出了一种方法，可以从不完整和被损坏的观测中重建和跟踪一个上界维度的子空间。它不需要任何关于异常值数量的先验信息。我们算法的核心是在正交投影矩阵集合上进行内在共轭梯度方法，即所谓的Grassmannian。非凸稀疏度量被用于异常值检测，这导致在稳健地恢复和跟踪低秩矩阵方面性能提高。特别是，我们的方法可以处理更多的异常值和比其他最先进方法更高维度的基础矩阵。
作者：Clemens Hage and Martin Kleinsteuber
论文ID：1210.0805
分类：Machine Learning
分类简称：stat.ML
提交时间：2013-01-18