文献

J-GLOBAL ID：201802272856845845   整理番号：18A0537347

関節l_2-1,1-ノルム最小化によるロバスト主成分分析【Powered by NICT】

Robust principal component analysis via joint l_2,1-norms minimization

著者 (3件)： Yi Shuangyan (School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen, China) ,  He Zhenyu (School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen, China) ,  Yang Wei-guo (Shenzhen Konka Communication Technology Company, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： SPAC  ページ： 13-18  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 主成分分析(PCA)は,最も広く使用されている教師なし部分空間学習法の一つであり,多くの変異体が開発されている。多く提案されたPCAのような方法を,特徴である良好なまたは主成分のための悪いことに,データは,異常値の問題を抱えていることが明らかにされていない。この目的のために,著者らは関節l_2-1,1-ノルム最小化によるロバスト主成分分析,PCAの二つの重要な問題に新たな洞察を提供する:特徴選択および異常値に対するロバスト性を提案した。他のPCAのような方法とは異なり,提案した方法はl_2-1,1-ノルム正則化項を用いて再構成のための有効な特徴を選択することができた。より具体的には,我々は第一の重要な成分(例えば,眼および顔画像における鼻)を特性化し,次に選択されたデータ表現から元のデータを回収するための直交変換行列を用いてできる有効な特徴を選択するためのl_2-1,1-ノルムベース変換行列を用いた。このようにして,重要な構成要素は学習した変換行列によって選択された有効な特徴を用いて回収することができた。一方,その同じクラス試料を回収異常値を持つが清浄な表面を選択するために損失項にl_2-1,1-ノルムを課した。単純だが効果的な最適化アルゴリズムは,得られた最適化問題を解くために提案した。六データセット上での実験を行い,提案した方法の有効性を示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 異常値 ,  キャラクタリゼーション ,  顔画像 ,  *主成分分析 ,  特徴選択 ,  正則化 ,  直交変換 ,  再構成 ,  *ノルム ,  データ表現 ,  最適化問題 ,  *ロバスト性
準シソーラス用語： 最適アルゴリズム ,  変換行列 ,  部分空間学習 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 関節 ,  ノルム ,  最小化 ,  ロバスト ,  主成分分析