背景
懒得说了,毕竟和上一篇作者都是一个人,有特殊的情况是,上次做的复杂度过大,这次降低了复杂度。
Notation
Sparse PCA
在上篇论文里面,也提到了这个式子。上次是用它来进行一个robust的解释,这一次,是来试图解决这个问题。
Σ
i
i
i
=
1
,
2
,
…
,
n
\Sigma_{ii} \quad i=1,2,\ldots,n
Σiii=1,2,…,n,为
Σ
\Sigma
Σ的特征值,且降序排列。
首先,考虑,
ρ
>
Σ
11
\rho > \Sigma_{11}
ρ>Σ11的时候,
所以,
z
=
0
z=0
z=0
再考虑, KaTeX parse error: Expected 'EOF', got '\ro' at position 1: \̲r̲o̲ ̲< \Sigma_{11},令
u
∈
{
0
,
1
}
n
u\in\{0, 1\}^{n}
u∈{0,1}n
通过最大化
u
u
u,可得
Semidefinite Relaxation
为了求解上面的问题,需要做一些改变,和上篇论文,思想差不多。
问题是凸的不是凹的,这样没法求最大值。所以(其实没怎么懂),改,
Low Rank Optimization
但是呢,求解这个问题比较费时,所以又转换思路,欲将 X X X分解,从这以后,我就没怎么看了,所以也不怎么懂(估计看了也不怎么懂。)
Sorting and Thresholding
这里讲怎么选特征?
为了节省计算成本,做了一些改进:
反正我觉得上面俩种方法都蛮蠢的。