鲁棒主成分分析：Stiefel 流形上鲁棒重构误差的优化
机器学习
2015-06-02 v1 机器学习
摘要
众所周知，主成分分析(PCA)受离群点影响严重，且已投入大量努力使其鲁棒化。本文提出一种最小化截断重构误差的鲁棒 PCA 新算法。通过直接在 Stiefel 流形上最小化，我们避免了投影追踪方法常用的缩减(deflation)步骤。与其他鲁棒 PCA 方法不同，我们的方法无自由参数且计算非常高效。我们在多个数据集上展示了性能，包括一个背景建模与减除的应用。我们的方法表现优于或类似于当前最先进方法，同时速度更快。
引用
@article{arxiv.1506.00323,
title = {Robust PCA: Optimization of the Robust Reconstruction Error over the Stiefel Manifold},
author = {Anastasia Podosinnikova and Simon Setzer and Matthias Hein},
journal= {arXiv preprint arXiv:1506.00323},
year = {2015}
}
备注
long version of GCPR 2014 paper