RES-PCA：一种可扩展的低秩矩阵恢复方法
机器学习
2019-04-17 v1 计算机视觉与模式识别
机器学习
摘要
鲁棒主成分分析（RPCA）因其在恢复低秩矩阵方面的强大能力以及在各种实际问题中的成功应用而受到显著关注。当前最先进的算法通常需要对大矩阵进行奇异值分解，其复杂度一般至少为二次甚至三次。这一缺陷限制了RPCA在解决实际问题中的应用。为克服该缺陷，本文提出一种新型RPCA方法，RES-PCA，它在数据规模和维度上均具有线性效率且可扩展。作为比较，现有的可扩展RPCA方法AltProj需要精确知道真实秩；否则，它可能无法恢复低秩矩阵。相比之下，我们的方法在知道或不知道真实秩的情况下均可工作；即使在两种方法都有效时，我们的方法也更快。我们进行了大量实验，从定量和视觉质量上证实了所提方法的有效性，这表明我们的方法适合作为任何应用流程中轻量级、可扩展的RPCA组件。
引用
@article{arxiv.1904.07497,
title = {RES-PCA: A Scalable Approach to Recovering Low-rank Matrices},
author = {Chong Peng and Chenglizhao Chen and Zhao Kang and Jianbo Li and Qiang Cheng},
journal= {arXiv preprint arXiv:1904.07497},
year = {2019}
}