$l_1$-正则化异常值隔离与回归

Sheng Han; Suzhen Wang; Xinyu Wu

$l_1$-正则化异常值隔离与回归

计算机视觉与模式识别 2014-11-21 v2 机器学习机器学习

作者: Sheng Han , Suzhen Wang , Xinyu Wu

摘要

本文提出了一种新的回归模型，称为 $l_1$ -正则化异常值隔离与回归 (LOIRE)，以及一种基于块坐标下降法的快速算法来求解该模型。此外，假设异常值是遵循伯努利过程的粗大误差，本文还提出了一种伯努利估计模型，理论上由于其完全消除了异常值引起的干扰，该模型应非常准确且稳健。虽然这种伯努利估计难以求解，但可以通过一个将 LOIRE 作为重要中间步骤的过程来近似实现。因此，近似伯努利估计是伯努利估计的准确性与 LOIRE 回归效率的良好结合，并通过多次模拟有力地证实了这一点。此外，LOIRE 可以进一步扩展以实现稳健秩分解，这在从大量破坏中恢复低秩分量方面非常强大。大量的实验结果表明，所提出的方法在计算速度方面优于 RPCA 和 GoDec 等最先进 (SOTA) 方法，同时具有竞争力的性能。

关键词

$l_1$-正则化回归异常值隔离 LOIRE 块坐标下降法伯努利估计稳健秩分解低秩分量

引用

@article{arxiv.1406.0156,
  title  = {$l_1$-regularized Outlier Isolation and Regression},
  author = {Sheng Han and Suzhen Wang and Xinyu Wu},
  journal= {arXiv preprint arXiv:1406.0156},
  year   = {2014}
}

备注

Outlier Detection, Robust Regression, Robust Rank Factorization, $l_1$-regularization

$l_1$-正则化异常值隔离与回归

摘要

关键词

引用

备注

相关论文