曲线流形上的低秩表示
计算机视觉与模式识别
2016-01-07 v2 机器学习
摘要
在机器学习中，通常将每个数据点解释为欧氏空间中的向量。然而，数据实际上可能是函数型的，即每个数据点是某个变量（如时间）的函数，并且该函数被离散采样。将函数型数据作为传统多元数据进行朴素处理会导致性能不佳，因为算法忽略了每个函数曲率中的相关性。在本文中，我们提出一种利用最先进的低秩表示（LRR）来分析函数型数据子空间结构的方法。在合成和真实数据上的实验评估表明，在涉及函数型数据的任务中，该方法大幅优于传统的 LRR。
引用
@article{arxiv.1601.00732,
title = {Low-Rank Representation over the Manifold of Curves},
author = {Stephen Tierney and Junbin Gao and Yi Guo and Zhengwu Zhang},
journal= {arXiv preprint arXiv:1601.00732},
year = {2016}
}