基于 T$\ell_1$-范数最大化的主成分分析
机器学习
2020-05-27 v1 机器学习
摘要
经典主成分分析（PCA）可能受限于对离群值与噪声的敏感性。因此，基于 -范数与 -范数（）的 PCA 已被研究。其中，基于 -范数者从鲁棒性角度看似乎最为有趣。然而其数值表现不尽如人意。注意到，尽管 T-范数在某种意义下类似于 -范数（），但其对离群值有更强抑制效应且连续性更好。故本文提出基于 T-范数的 PCA。我们的数值实验表明，其性能明显优于 PCA-、SPCA 以及 PCA、PCA-。
引用
@article{arxiv.2005.12263,
title = {Principal Component Analysis Based on T$\ell_1$-norm Maximization},
author = {Xiang-Fei Yang and Yuan-Hai Shao and Chun-Na Li and Li-Ming Liu and Nai-Yang Deng},
journal= {arXiv preprint arXiv:2005.12263},
year = {2020}
}