論文の概要: Riemannian CUR Decompositions for Robust Principal Component Analysis

• arxiv url: http://arxiv.org/abs/2206.09042v1
• Date: Fri, 17 Jun 2022 22:58:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-22 15:24:18.876871
• Title: Riemannian CUR Decompositions for Robust Principal Component Analysis
• Title（参考訳）: ロバスト主成分分析のためのリーマンCUR分解
• Authors: Keaton Hamm and Mohamed Meskini and HanQin Cai
• Abstract要約: 近年,ロバスト主成分分析 (PCA) が注目されている。 本稿では,頑健なPCA分解アルゴリズムであるRobustian CURを提案する。 かなりの量のアウトレージを許容することができ、より高いアウトレージ耐性を持つが、提案手法よりも計算複雑性の悪いAccelerated Projectionsに匹敵する。
• 参考スコア（独自算出の注目度）: 4.060731229044571
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust Principal Component Analysis (PCA) has received massive attention in recent years. It aims to recover a low-rank matrix and a sparse matrix from their sum. This paper proposes a novel nonconvex Robust PCA algorithm, coined Riemannian CUR (RieCUR), which utilizes the ideas of Riemannian optimization and robust CUR decompositions. This algorithm has the same computational complexity as Iterated Robust CUR, which is currently state-of-the-art, but is more robust to outliers. RieCUR is also able to tolerate a significant amount of outliers, and is comparable to Accelerated Alternating Projections, which has high outlier tolerance but worse computational complexity than the proposed method. Thus, the proposed algorithm achieves state-of-the-art performance on Robust PCA both in terms of computational complexity and outlier tolerance.
• Abstract（参考訳）: 近年,ロバスト主成分分析 (PCA) が注目されている。 低ランク行列とその和からスパース行列を復元することを目的としている。 本稿では、リーマン最適化とロバストCUR分解のアイデアを利用する、リーマンCUR(RieCUR)という新しい非凸ロバストPCAアルゴリズムを提案する。 このアルゴリズムは反復型ロバストcurと同じ計算複雑性を持ち、現在の最先端だが、外れ値に対してよりロバストである。 RieCURはまた、かなりの量の外れ値に耐えることができ、より高い外れ値耐性を持つが、提案手法よりも計算複雑性の悪い加速交互射影に匹敵する。 そこで,提案アルゴリズムは計算複雑性と外乱耐性の両面から,ロバストPCAの最先端性能を実現する。

関連論文リスト

• Deep Unrolling for Nonconvex Robust Principal Component Analysis [75.32013242448151]
  我々はロバスト成分分析のためのアルゴリズムを設計する(A) 行列を低主行列とスパース主行列の和に分解する。
  論文  参考訳（メタデータ） (2023-07-12T03:48:26Z)
• Robust Tensor CUR Decompositions: Rapid Low-Tucker-Rank Tensor Recovery with Sparse Corruption [8.738540032356305]
  大規模コンポーネント分析問題に対するRobust CURというフレームワークを開発した。 州法に対するRTCURの有効性と利点を示す。
  論文  参考訳（メタデータ） (2023-05-06T16:02:37Z)
• Optimal Algorithms for Stochastic Complementary Composite Minimization [55.26935605535377]
  統計学と機械学習における正規化技術に触発され,補完的な複合化の最小化について検討した。 予測と高い確率で、新しい過剰なリスク境界を提供する。 我々のアルゴリズムはほぼ最適であり、このクラスの問題に対して、新しいより低い複雑性境界によって証明する。
  論文  参考訳（メタデータ） (2022-11-03T12:40:24Z)
• Exploring the Algorithm-Dependent Generalization of AUPRC Optimization with List Stability [107.65337427333064]
  AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。 本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。 3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
  論文  参考訳（メタデータ） (2022-09-27T09:06:37Z)
• Fast Robust Tensor Principal Component Analysis via Fiber CUR Decomposition [8.821527277034336]
  テンソルサブトラクション主成分分析 (TRPCA) の問題について検討し, 基礎となる低マルチランクテンソルとアウトラヤをその和から分離することを目的とした。 本研究では,経験的スパース問題に対する高速非線形分解アルゴリズムであるRobust CURCURを提案する。
  論文  参考訳（メタデータ） (2021-08-23T23:49:40Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• Cautiously Optimistic Policy Optimization and Exploration with Linear Function Approximation [48.744735294559824]
  政策最適化手法は、その漸進的かつ政治的性質が価値に基づくアルゴリズムよりも安定しているため、一般的な強化学習アルゴリズムである。 本稿では,PCPGのサンプル複雑性問題を克服し,モデルのミスセグメンテーションに頑健さを保ちながら,新しいアルゴリズムCOPOEを提案する。 その結果、PCPGの$widetildeO (1/epsilon11)$からPCPGの$widetildeO (1/epsilon3)$まで、サンプルの複雑さが改善され、値ベースの技術とのギャップがほぼ埋められます。
  論文  参考訳（メタデータ） (2021-03-24T01:42:59Z)
• Robust CUR Decomposition: Theory and Imaging Applications [9.280330114137778]
  本稿では、CUR分解フレームワークにおけるロバストPCAの使用とその応用を検討する。 我々は、ロバストPCAの2つの重要なイメージングアプリケーションを検討する:ビデオフォアグラウンド背景分離と顔モデリング。
  論文  参考訳（メタデータ） (2021-01-05T17:58:15Z)
• Rapid Robust Principal Component Analysis: CUR Accelerated Inexact Low Rank Estimation [8.169365031508885]
  我々は、Iterated Robust CUR(IRCUR)という新しい非RPCアルゴリズムを提案する。 IRCURは小さなサブマトリクスのみを処理でき、アルゴリズム全体を通して全行列上の高価な計算を避けることができる。 数値実験は、IRCURの合成と実世界の両方のデータセットに対する計算上の優位性を確立する。
  論文  参考訳（メタデータ） (2020-10-14T22:30:20Z)
• Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
  主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。 スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。 本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-23T04:25:36Z)
• On the Convergence of the Dynamic Inner PCA Algorithm [5.9931120596636935]
  DiPCAは時間依存データ解析のための強力な手法である。 これは座標分解アルゴリズムの特殊な変種であることを示す。 分解戦略のパフォーマンスを既成のそれと比較する。
  論文  参考訳（メタデータ） (2020-03-12T17:50:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。