从损坏大数据中鲁棒可扩展的列/行采样
机器学习
2016-11-21 v1 数值分析
应用统计
机器学习
摘要
传统采样技术在数据被严重损坏时无法绘制数据的描述性草图，因为这种损坏破坏了它们满意工作所需的低秩结构。本文提出新的采样算法，可在严重数据损坏情况下定位信息列。此外，我们开发了所提算法的新的可扩展随机化设计。所提方法同时对稀疏损坏和离群点具有鲁棒性，并且如通过使用真实和合成数据的实验所证明的，大幅优于最先进的鲁棒采样算法。
引用
@article{arxiv.1611.05977,
title = {Robust and Scalable Column/Row Sampling from Corrupted Big Data},
author = {Mostafa Rahmani and George Atia},
journal= {arXiv preprint arXiv:1611.05977},
year = {2016}
}