Robust Recovery of Subspace Structures by Low-Rank Representation

I introduction

本文工作:

我们开发了一个简单有效的方法,叫做LRR,在一些类似于行为分割,图像聚类,人脸识别,显著检验的应用上可以实现state-of-the-art的性能。

我们的工作从一个子空间恢复干扰数据延伸到了多个子空间。相比于文献【20】需要已知子空间的基才能处理corrupted data的方法,我们的方法具有自主性,i.e.不需要附加的clean data

II Related work

大致可以分为四种:混合高斯,因子分解,线性代数和谱类型的方法。

基于分解的方法近似于将给定的数据矩阵看做两个矩阵的product,因此因子之一可以揭示样本的聚类属性。

作为一种聚类问题,子空间聚类可以首先根据given data学习到一个affinity matrix,然后应用NCut之类的谱聚类方法得到最终的聚类结果。这些不同的spectral-type methods的不同之处就是学习这个affinity matrix的方式不同。

III Preliminaries and problem statement

一些术语:

block-diagonal matrix:形如(1)式的矩阵,一个矩阵本身不是块对角,若可以通过变换成为块对角,也称它是块对角的


union and sum of subspaces:


eg:XOY平面和XOZ平面的和是R3空间,XOY平面和XOZ平面的并只是两个平面

independent(and disjoint) subspaces:

对于k个子空间,当且仅当他们的交集只有{0}时,我们称这k个空间是独立的。当子空间维度是低秩的且总空间维度高时,独立大致等价于成对不相交。

full SVD and skinny SVD:


pseudoinverse:


column space and row space:


affinity degree:


IV. LOW-RANK REPRESENTATION FOR MATRIXRECOVERY


A是一个字典,它线性张成了数据空间得到Z,E的最优解Z*,E*后就可以由AZ*或X-E*获得原始的数据了。因为rank(AZ*)≤rank(Z*),所以AZ*也是原始数据X0的一个低秩恢复。

由于秩函数离散的本质,4式很难求解,而且解可能也不是唯一的,因此用核函数来代替,就得到了凸优化问题(5)





    

  • 0
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值