矩阵重建的算法与实现分析.pptVIP

矩阵重建的算法与实现 矩阵重建是信号处理、人工智能和优化领域最近研究的热点。基于凸优化的矩阵重建问题衍生于近几年非常流行的压缩感知技术，主要分为矩阵填充和矩阵恢复问题，是一种重要的数据分析工具，在图像处理、计算机视觉、文本分析、推荐系统等方面已经找到重要的应用。 人工智能分为强人工智能与弱人工智能。强人工智能观点认为有可能制造出真正能推理和解决问题的智能机器，并且这些机器将被认为是有知觉的、有自我意识的。弱人工智能观点认为不可能制造出能真正地推理和解决问题的智能机器，这些机器只不过是智能的，但是并不真正拥有智能，也不会有自主意识。 压缩感知的概念： 将未知的要获得的信号记为AK，它是一个波形。我们希望它越不连续越好，越扩散越好，而我所要做的是按照 一定的顺序获得图像信号的信息。我们按照高斯分布来收集数据，而不是线性的，所以我们只会有少量的感测次数，而这些数据 的相关性非常低。 压缩的意思，是指比较先前及当前数据的差异，并记录下这些差异而减少 需储存的资料量。对于压缩感知的问题比压缩难多了，像是我们要收集怎样分布的数据、如何收集、保留一些什 么系数，从而得到最佳的结果。我们会得到一些机变，保留最大的，最有意义的系数在里头。我们可以做一些抽样，把最重要的保留下来。一个信号，我们知道它是非常好的，但这个信号完全是稀疏的，可能并不是我们要损失掉的。 当感兴趣的信号是可压缩的或者可稀疏表示的，那么我们可以通过极少的采样精确地获得该信号。压缩感知中，信号的获取并不是直接测量信号本身，而是采样测量信号一个感知矩阵相乘后的信号。 矩阵重建分为矩阵填充（Matrix Completion）和矩阵恢复（Matrix Recovery）两大类。前者主要研究如何在数据不完整的情况下将缺失数据进行填充，后者主要研究在某些数据受到严重损坏的情况下恢复出准确的矩阵。 研究主要集中在矩阵重建在何种情况下可以准确地实现、有没有快速的算法解决矩阵重建问题和矩阵重建的应用。 矩阵填充 对于某个矩阵，我们只能采样得到矩阵的一部分元素，其它一部分或者大部分元素由于各种原因丢失了或无法得到，假设这个矩阵是有信息冗余的，比如是低秩的，也就是说其数据分布在一个低维的线性子空间上。 可以通过如下优化问题来实现矩阵填充： min rank(X); subject to Xij = Mij ; (i， j) ∈? ; 其中?是已知元素下标的集合。将空缺的元素填充之后使得矩阵的结构尽可能好，即秩尽可能低。 一个矩阵的秩r与它的非零奇异值的个数相同。于是有一个选择是用矩阵的奇异值的和，即核范数，来近似地替代矩阵的秩： min ‖X‖*; subject to Xij = Mij ; (i，j) ∈? ; 矩阵填充的应用举例 矩阵填充的一个著名应用是Netflix推荐系统。比赛要求参赛者预测Netfix客户分别喜欢什么影片，要把预测的效率相对原推荐系统Cinematch提高10%以上。这是一个典型的矩阵填充问题，即矩阵的每一行对应某个用户对电影的评级，每一列表示某电影在所有用户中的评级，但是每个用户只可能对一部分电影进行评价，所以我们可以通过矩阵填充得出用户对每部电影的喜好程度。 矩阵恢复 当矩阵的某些元素被严重破坏后，自动识别出被破坏的元素，恢复出原矩阵。假定原矩阵有非常良好的结构，即是低秩的；另外，假定只有很少一部分元素被严重破坏，即噪声是稀疏的但大小可以任意。 min rank(A) + ‖E‖0; subject to A + E = D; 其中目标函数为矩阵A的秩以及噪声矩阵E的零范数，即E的非零元素的个数，表明噪声所占的权重。 矩阵恢复在背景建模、人脸图像处理等问题中的应用。其中，背景建模利用图片帧与帧之间的相似性，将每帧作为一列排列成一个矩阵，该矩阵理应具备相对较低的秩。于是利用稀疏与低秩矩阵分解技术可以将每帧中间相似的部分和特有的部分分开，即将背景与前景分离。 一、矩阵填充理论研究主要考虑的是矩阵填充的可行性，即究竟在什么情况下可以精确无误地把缺失数据填充完整。首先，我们需要理解的是，一个杂乱无章的矩阵是不可能进行重建的，所以我们假定矩阵结构良好，如低秩。我们不能指望通过采样可以重建出所有的低秩矩阵，而应当考虑有多大的概率可以重建。 二、并不是用所有的采样方式采样得到的矩阵均能够重建。例如，当矩阵的某一列完全没有被采样时，任何方法都不可能将这一列的元素准确地填