鲁棒流式PCA
机器学习
2022-10-13 v3 机器学习
摘要
我们考虑当随机数据生成模型受到扰动时的流式主成分分析。现有模型假设固定协方差，而我们采用一种鲁棒视角，其中协方差矩阵属于一个时间不确定性集合。在此设定下，我们给出任何恢复主成分的算法的收敛基本极限。我们分析了噪声幂方法（noisy power method）与Oja算法的收敛性——二者均针对平稳数据生成模型被研究过——并论证噪声幂方法在我们的设定中是速率最优的。最后，我们通过合成与真实数据集上的数值实验证明了我们分析的有效性。
引用
@article{arxiv.1902.03223,
title = {Robust Streaming PCA},
author = {Daniel Bienstock and Minchan Jeong and Apurv Shukla and Se-Young Yun},
journal= {arXiv preprint arXiv:1902.03223},
year = {2022}
}
备注
The authors are ordered alphabetically. 36th Conference on Neural Information Processing Systems (NeurIPS 2022)