文献

J-GLOBAL ID：202202289641606467   整理番号：22A0456345

一般的最適化フレームワークによる打切りロバスト主成分分析【JST・京大機械翻訳】

Truncated Robust Principle Component Analysis With A General Optimization Framework

著者 (4件)： Nie Feiping (School of Computer Science and Center for OPTical IMagery Analysis and Learning, Northwestern Polytechnical University, Xi’an, Shaanxi, China) ,  Wu Danyang (School of Computer Science and Center for OPTical IMagery Analysis and Learning, Northwestern Polytechnical University, Xi’an, Shaanxi, China) ,  Wang Rong (School of Cybersecurity and Center for OPTical IMagery Analysis and Learning (OPTIMAL), Northwestern Polytechnical University, Xi’an, Shaanxi, P. R. China) ,  Li Xuelong (School of Computer Science and Center for OPTical IMagery Analysis and Learning, Northwestern Polytechnical University, Xi’an, Shaanxi, China)
資料名： IEEE Transactions on Pattern Analysis and Machine Intelligence  (IEEE Transactions on Pattern Analysis and Machine Intelligence)
巻： 44  号： 2  ページ： 1081-1097  発行年： 2022年 
JST資料番号： B0519B  ISSN： 0162-8828  CODEN： ITPIDJ  資料種別： 逐次刊行物 (A)
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： 最近,いくつかのロバストな主成分分析(RPCA)モデルが,主成分分析(PCA)のロバスト性を改善するために提案された。しかし,異常値に対するロバスト性が正しいサンプルの識別に影響するという重要な問題はまだ解決されていない。この問題を解決するために,正確なサンプルと異常値を別々に処理する短縮ロバスト主成分分析(T-RPCA)モデルを提案した。実際,提案モデルは,従来の研究に対するロバスト性学習に対してより合理的である暗黙的に短縮された加重学習方式を実行する。さらに,一般的問題を解くための再加重(RW)最適化フレームワークを提案し,その上で2つのサブフレームワークを一般化した。特異的であるために,最初のサブフレームワークは,T-RPCAの目的問題を含む一般的短縮損失最適化問題を指向し,そして,第2のものは,一般的特異値ベースの最適化問題に焦点を合わせた。さらに,提案モデル,RWフレームワークおよびサブフレームワークに対する厳密な理論的保証を提供した。経験的研究は,提案したT-RPCAモデルが再構成と分類タスクに関して以前のRPCAモデルより優れていることを実証した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *最適化 ,  学習 ,  最適化問題 ,  再構成 ,  異常値 ,  *主成分分析 ,  *ロバスト性
準シソーラス用語： 特異値 ,  サブフレーム , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 最適化 ,  フレームワーク ,  打切り ,  ロバスト ,  主成分分析