论文学习-双低秩分解

通过双低秩分解的鲁棒的多视角子空间学习算法

Ding Z, Fu Y. Robust Multi-view Subspace Learning through dual low-rank decompositions[C]//Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence. AAAI Press, 2016: 1181-1187.

Dual Low-Rank Decompositions

实际上,在多视图数据 有两种结构(Su et al . 2014年),一个是类结构，另一种是视角变化结构。这两个独立的结构混合在一起,也就是说,每个数据会在两个结构；都应该低秩结构, 类结构旨在揭示全局结构类信息,而视角变化结构 在不同的类保存视图信息。因此,Z可以分解成两个低秩部分如下：

Robust Multi-view Subspace Learning
为了更好地指导双低秩分解在我们先前的模型(2),为了 以预期的方式拆开这两个交织在一起的结构， 我们开发两个监督图正则化，此外,我们的目标是寻求一个健壮的 视角不变视点数据子空间。在最近的低秩的子空间学习方法(et al . 2015年),我们开发视角不变的健壮的子空间学习框架：

这里的a是有监督的图正则化矩阵的平衡参数，P是学习到的子空间（P的维数是减少的）。之前的秩最小化问题通过核范数求解替代。