基于子空间投影的稀疏主成分分析快速收缩方法
机器学习
2019-12-09 v2 机器学习
摘要
传统稀疏主成分分析（SPCA）在高维数据集上的实现已成为一项耗时的工作。本文利用 Household QR 分解高效构造了一系列子空间投影。借助这些子空间投影，我们为 SPCA 开发了一种称为 SPCA-SP 的快速收缩方法。该方法在包括稀疏性、正交性、解释方差、稀疏性平衡以及计算代价在内的多种准则间保持了良好权衡。在基准数据集上的对比实验证实了所提方法的有效性。
引用
@article{arxiv.1912.01449,
title = {A Fast deflation Method for Sparse Principal Component Analysis via Subspace Projections},
author = {Cong Xu and Min Yang and Jin Zhang},
journal= {arXiv preprint arXiv:1912.01449},
year = {2019}
}
备注
4 figures, 2 tables