带松弛起始的半正交多线性PCA
机器学习
2015-05-08 v2 计算机视觉与模式识别
机器学习
摘要
主成分分析(PCA)是一种利用正交投影学习低维特征的无监督方法。多线性PCA方法通过张量到张量投影或张量到向量投影(TVP)将PCA扩展为直接处理多维数据（张量）。然而，在TVP设定下，难以开发具有正交性约束的有效多线性PCA方法。本文通过提出一种新颖的半正交多线性PCA (SO-MPCA) 方法来解决此问题。SO-MPCA通过TVP并仅在一种模式下施加正交性约束，直接从张量学习低维特征。该公式比完全正交性捕获了更多方差和更多学习特征。为了更好的泛化，我们进一步引入松弛起始(RS)策略，通过固定起始投影向量得到SO-MPCA-RS，这增加了学习模型的偏差并降低了其方差。在人脸(2D)和步态(3D)数据上的实验表明，SO-MPCA-RS总体上优于其他竞争算法，且松弛起始策略对于其他基于TVP的PCA方法也有效。
引用
@article{arxiv.1504.08142,
title = {Semi-Orthogonal Multilinear PCA with Relaxed Start},
author = {Qiquan Shi and Haiping Lu},
journal= {arXiv preprint arXiv:1504.08142},
year = {2015}
}
备注
8 pages, 2 figures, to appear in Proceedings of the 24th International Joint Conference on Artificial Intelligence (IJCAI 2015)