通过随机或贪婪分解解混大数据的不相干结构

Tianyi Zhou; Dacheng Tao

通过随机或贪婪分解解混大数据的不相干结构

机器学习 2013-09-03 v1 数据结构与算法机器学习

作者: Tianyi Zhou , Dacheng Tao

摘要

通过矩阵分解学习大数据总是面临计算昂贵、复杂结构和噪声混合的问题。本文研究了更自适应的模型和高效算法，将数据矩阵分解为具有不相干结构的语义分量之和。我们首先介绍了“GO分解（GoDec）”，一种交替投影方法，从被噪声 $G$ 污染的数据矩阵 $X=L+S+G$ 中估计低秩部分 $L$ 和稀疏部分 $S$ 。提出了两种加速策略以获得大数据上的可扩展解混算法：1）双边随机投影（BRP），通过由 $X-S$ 在低维空间中的左右随机投影构建的闭式解来加速GoDec中 $L$ 的更新；2）贪婪双边（GreB）范式以相互自适应和贪婪增量的方式更新 $L$ 的左右因子，在时间和样本复杂度上均实现了显著改进。然后我们提出了GoDec的三个非平凡变体，将GoDec推广到更一般的数据类型，并且可以从这两种策略推导出其快速算法……

关键词

矩阵分解低秩稀疏分解 GoDec 双边随机投影贪婪双边大数据

引用

@article{arxiv.1309.0302,
  title  = {Unmixing Incoherent Structures of Big Data by Randomized or Greedy Decomposition},
  author = {Tianyi Zhou and Dacheng Tao},
  journal= {arXiv preprint arXiv:1309.0302},
  year   = {2013}
}

备注

42 pages, 5 figures, 4 tables, 5 algorithms

通过随机或贪婪分解解混大数据的不相干结构

摘要

关键词

引用

备注

相关论文