基于因子化压缩空间鲁棒字典学习的混合表示学习
机器学习
2019-12-30 v1 机器学习
摘要
本文研究鲁棒字典学习(DL)，以在因子化压缩空间中发掘混合显著的低秩与稀疏表示。提出一种联合鲁棒因子化与投影字典学习(J-RFDL)模型。J-RFDL的设置旨在通过增强对数据中离群值与噪声的鲁棒性、更准确地编码重构误差，以及获得具有精确重构能力的混合显著系数来改进数据表示。具体而言，J-RFDL在因子化压缩空间中通过DL进行鲁棒表示，以消除噪声和离群值对结果的负面影响，同时使DL过程高效。为使编码过程对数据中的噪声鲁棒，J-RFDL明确使用稀疏L2,1范数，通过强制重构误差的行置零来联合最小化因子化与重构误差。为给出具有良好结构、能较好重构给定数据的显著系数，J-RFDL对嵌入系数施加联合低秩与稀疏约束及一个合成字典。基于混合显著系数，我们还将J-RFDL扩展用于联合分类，提出一种判别性J-RFDL模型，其通过联合最小化分类误差来提升所学系数的判别能力。在公开数据集上的大量实验表明，我们的方法优于其他最先进方法。
引用
@article{arxiv.1912.11785,
title = {Learning Hybrid Representation by Robust Dictionary Learning in Factorized Compressed Space},
author = {Jiahuan Ren and Zhao Zhang and Sheng Li and Yang Wang and Guangcan Liu and Shuicheng Yan and Meng Wang},
journal= {arXiv preprint arXiv:1912.11785},
year = {2019}
}
备注
Accepted by IEEE TIP