NoisyCUR：一种用于双代价预算矩阵补全的算法
机器学习
2021-04-19 v1 数值分析
数值分析
摘要
矩阵补全是机器学习和数据分析中普遍使用的工具。该领域大多数工作集中于获得准确低秩近似所需的观测数量。然而在实践中，观测代价是一个重要的限制因素，实验者可能拥有多种具有不同噪声-代价权衡的观测模式。本文考虑受此类约束的矩阵补全：施加一个预算，实验者的目标是在两种采样模式之间分配该预算以恢复准确的低秩近似。具体而言，我们考虑可以获得单个条目的低噪声、高代价观测，或整列的高噪声、低代价观测。我们针对该设定引入了一种基于回归的补全算法，并在合成和真实数据集上实验验证了我们的方法性能。当预算较低时，我们的算法优于标准补全算法。当预算较高时，我们的算法与标准核范数补全算法具有相当误差，且所需计算量小得多。
引用
@article{arxiv.2104.08026,
title = {NoisyCUR: An algorithm for two-cost budgeted matrix completion},
author = {Dong Hu and Alex Gittens and Malik Magdon-Ismail},
journal= {arXiv preprint arXiv:2104.08026},
year = {2021}
}