面向鲁棒字典学习的凹损失函数
机器学习
2017-11-03 v1 机器学习
摘要
传统字典学习方法基于二次凸损失函数，因而对离群点敏感。本文中，我们提出一种基于凹损失的鲁棒字典学习通用框架。我们给出了关于凹函数复合的结果，特别是关于超梯度计算的结论，这些是开发适用于光滑与非光滑损失的通用字典学习算法的关键。为改进离群点识别，我们引入一种基于欠完备字典学习的初始化启发式方法。使用合成与真实数据的实验结果表明，我们的方法能更好地检测离群点，并能生成更优字典，优于 K-SVD 和 LC-KSVD 等最先进方法。
引用
@article{arxiv.1711.00659,
title = {Concave losses for robust dictionary learning},
author = {Rafael Will M de Araujo and Roberto Hirata and Alain Rakotomamonjy},
journal= {arXiv preprint arXiv:1711.00659},
year = {2017}
}