基于核的传感器融合算法在高维噪声下的行为研究
机器学习
2021-11-23 v1 机器学习
摘要
我们研究了两种基于核的传感器融合算法——非参数典型相关分析（NCCA）和交替扩散（AD）——在非零设定下的行为：从两个传感器收集的干净数据集由嵌入高维欧氏空间的公共低维流形建模，且数据集受到高维噪声的污染。我们假设样本维度和样本量相当大，在使用高斯核进行 NCCA 和 AD 的前提下，建立了相关核矩阵特征值的渐近极限和收敛速率。结果表明，渐近极限和收敛速率均依赖于每个传感器的信噪比（SNR）和所选带宽。一方面，我们表明若不加任何合理性检验直接将 NCCA 和 AD 应用于含噪点云，可能产生误导科学家解释的人为信息。另一方面，我们证明若带宽选择恰当，当信噪比相对较大时，NCCA 和 AD 均可对高维噪声保持鲁棒。
引用
@article{arxiv.2111.10940,
title = {How do kernel-based sensor fusion algorithms behave under high dimensional noise?},
author = {Xiucai Ding and Hau-Tieng Wu},
journal= {arXiv preprint arXiv:2111.10940},
year = {2021}
}