基于代理矩阵优化的 Grassmann 迭代线性判别分析
计算机视觉与模式识别
2021-04-19 v1
摘要
线性判别分析（LDA）常用于模式识别与统计学中的降维。它是一种监督方法，旨在找到可用于后续分类的、降维后最具判别力的空间。本文提出一种基于代理矩阵优化（PMO）的 Grassmann 迭代 LDA 方法（GILDA）。PMO 利用自动微分与随机梯度下降（SGD）在 Grassmann 流形上求得最优投影矩阵。我们的结果表明，GILDA 优于主流的流形优化方法。
引用
@article{arxiv.2104.08112,
title = {Grassmann Iterative Linear Discriminant Analysis with Proxy Matrix Optimization},
author = {Navya Nagananda and Breton Minnehan and Andreas Savakis},
journal= {arXiv preprint arXiv:2104.08112},
year = {2021}
}