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）