稀疏噪声下基于核回归的图信号预测
机器学习
2018-11-07 v1 机器学习
摘要
在存在稀疏噪声的情况下，我们提出核回归以预测在给定图上平滑的输出向量。稀疏噪声建模为训练输出受到缺失样本或大幅扰动的破坏。通过在凸代价函数中恰当使用 -范数并结合 -范数来处理稀疏噪声。针对该代价函数的优化，我们提出一种迭代重加权最小二乘（IRLS）方法，由于存在闭式解，其适用于核替换或核技巧。使用真实世界温度数据的仿真显示了我们所提方法的有效性，尤其在有限规模训练数据集下。
引用
@article{arxiv.1811.02314,
title = {Kernel Regression for Graph Signal Prediction in Presence of Sparse Noise},
author = {Arun Venkitaraman and Pascal Frossard and Saikat Chatterjee},
journal= {arXiv preprint arXiv:1811.02314},
year = {2018}
}