1. 稀疏表示与字典学习
当样本数据为稀疏矩阵时,对学习任务有不少好处:
- 可以使许多问题变得线性可分
- 使存储更为高效
稀疏矩阵:矩阵的 每一行/列都包含大量的零元素, 且这些零元素没有出现在同一行/列中。(非零元素远小于零元素)
字典学习:侧重于为普通稠密表达的样本找到一个合适的矩阵
稀疏表示:将样本转化为合适的稀释表示形式,从而使学习任务变得简单
- 变量交替优化策略
2. 压缩感知
压缩感知在前些年也是风风火火,与特征选择、稀疏表示不同的是:通过欠采样信息来恢复全部信息。在实际问题中,为了方便传输和存储,我们一般将数字信息进行压缩,这样就有可能损失部分信息,如何根据已有的信息来重构出全部信号,这便是压缩感知的来历,压缩感知的前提是已知的信息具有稀疏表示。
通过已知的欠采样信息求出稀疏样本表示,然后通过稀疏基求得原信号。
压缩感知分为“感知测量”和“重构恢复”两部分:
- 感知测量:关注如何对原始信号进行处理以获得稀疏样本表示
- 重构恢复:关注的是如何基于稀疏性从少量观测样本中恢复原信号
>> 矩阵补全的方法