面向鲁棒 PCA 的快速无参数离群点识别
机器学习
2018-04-16 v1 机器学习
摘要
鲁棒 PCA，即存在离群点时的 PCA 问题，在过去几年中得到广泛研究。此处我们关注列稀疏离群点模型下的鲁棒 PCA。现有的列稀疏离群点模型方法要么假设已知低维子空间维数，要么假设已知系统中离群点比例。然而在许多应用中这些参数并不可知。受此驱动，我们提出一种无参数的鲁棒 PCA 离群点识别方法，其 a) 不需要离群点比例的知识，b) 不需要底层子空间维数的知识，c) 计算简单且快速。此外，我们推导了离群点识别的分析保证，并将算法性能与现有最优方法进行比较。
引用
@article{arxiv.1804.04791,
title = {Fast, Parameter free Outlier Identification for Robust PCA},
author = {Vishnu Menon and Sheetal Kalyani},
journal= {arXiv preprint arXiv:1804.04791},
year = {2018}
}
备注
13 pages. Submitted to IEEE JSTSP Special Issue on Data Science: Robust Subspace Learning and Tracking: Theory, Algorithms, and Applications