AIR-Net：用于矩阵补全的自适应隐式正则化神经网络
机器学习
2023-03-30 v4 机器学习
摘要
显式低秩正则化（如核范数正则化）已广泛应用于成像科学。然而，研究发现隐式正则化在各类图像处理任务中优于显式正则化。另一个问题是，固定的显式正则化限制了其对广泛图像的适用性，因为不同图像偏好由不同显式正则化捕获的不同特征。因此，本文提出一种新的自适应隐式低秩正则化方法，能够从训练数据中动态捕获低秩先验。这种新型自适应隐式低秩正则化的核心在于对基于狄利克雷能量的正则化中的拉普拉斯矩阵进行参数化，我们称之为正则化 AIR。理论上，我们证明 AIR 的自适应正则化增强了隐式正则化，并在训练结束时消失。我们在各种基准任务上验证了 AIR 的有效性，结果表明 AIR 在缺失项非均匀分布的场景下尤其有利。代码可在 https://github.com/lizhemin15/AIR-Net 获取。
引用
@article{arxiv.2110.07557,
title = {AIR-Net: Adaptive and Implicit Regularization Neural Network for Matrix Completion},
author = {Zhemin Li and Tao Sun and Hongxia Wang and Bao Wang},
journal= {arXiv preprint arXiv:2110.07557},
year = {2023}
}