用于张量鲁棒主成分分析的全局加权张量核范数
机器学习
2023-01-06 v2
摘要
张量鲁棒主成分分析 (TRPCA) 旨在从被稀疏噪声污染的张量中恢复低秩张量，已在许多实际应用中受到广泛关注。本文提出一种新的全局加权 TRPCA 方法 (GWTRPCA)，该方法首次同时考虑了傅里叶域中正面切片内与正面切片间奇异值的重要性。利用这一全局信息，GWTRPCA 对较大奇异值惩罚更轻并赋予其更小权重。因此，我们的方法能更精确地恢复低管秩分量。此外，由于权重设置对 GWTRPCA 的成功起关键作用，我们通过修正 Cauchy 估计器 (MCE) 提出了一种有效的自适应权重学习策略。为实现 GWTRPCA 方法，我们设计了一种使用交替方向乘子法 (ADMM) 的优化算法。在真实数据集上的实验验证了我们所提方法的有效性。
引用
@article{arxiv.2209.14084,
title = {Global Weighted Tensor Nuclear Norm for Tensor Robust Principal Component Analysis},
author = {Libin Wang and Yulong Wang and Shiyuan Wang and Youheng Liu and Yutao Hu and Longlong Chen and Hong Chen},
journal= {arXiv preprint arXiv:2209.14084},
year = {2023}
}
备注
8 pages