在有缺失数据情况下使用L1范数的矩阵低秩近似的鲁棒算法.PDFVIP

在有缺失数据情况下使用L1 范数的矩阵低秩近似的鲁棒算法 Anders Eriksson and Anton van den Hengel School of Computer Science University of Adelaide, Australia {anders.eriksson, anton.vandenhengel}@.au 摘要 现，这些问题包括基于运动信息的结构复原（structure- from-motion ）[18] ，基于距离图像的物体多边形模型建 在许多计算机视觉问题中，矩阵的低秩近似是一个基 模（polyhedral object modeling from range images ） 础的问题。很长的一段时期里，对于这类问题有效的方 [17] ，以及层次抽取（layer extraction ）[12] ，光照条件 法是奇异值分解（singularity value decomposition，简称 下目标的识别[19] 与重建[11] （recognition and shape SVD ）。尽管如此，在缺失数据和存在异常点 from varying illumination ）。 （outlier ）的情况下，这种方法却是不可取的，而实际 在Y的元素都已知的情况下，奇异值分解（singularity 上，这些情况却市场出现在实际的应用问题中。 value decomposition ， 简称SVD ）被用来计算在L2 范数 在本文中，我们提出了一种矩阵低秩分解的计算方 度量下最佳的近似。然而在实际情况中，Y的一些元素 法，这种方法是在有缺失数据的情况下通过最小化形式 常常是未知的。而且，Y的数据中通常也包含了噪声， 为 L1 范数的目标函数来实现。我们提出的该方法可视 这使得用L2 范数（作为度量的目标函数）并非是最合适 为是 wiberg 算法的一种推广，而 wiberg 算法是一种可 的。L1 范数常被用来降低对于数据中异常点带来的干扰 信的在 L2 范数（目标函数）条件下的矩阵分解算法。 的敏感度。但是不幸的是，在Y有缺失的未知数据的情 我们使用线性规划的可微分的性质，可以把这种方法蕴 况下，使用L1 范数是问题变得相当的困难。首先，它是 含的思想也推广到 L1 范数的这一类问题。我们的方法 一个非光滑的问题，致使许多已有的标准的优化工具无 可以使用已经有的优化软件包来高效的实现。我们也提 法使用。其二，它是一个非凸的问题，因此无法确保获 供了使用我们这种方法的两个实验，一个是在人造的数 得的是全局最优解。其三，它要求很大的计算量，而在 据集上测试的，一个是在真实的数据集上测试的，他们 应用到实际问题时，通常未知的数据的个数是很多的。 都有令人信服的良好实验结果。 在本文中我们将提出一种在缺失数据情况下使用L1 范数的矩阵的低秩分解计算方法，该方法有效地解决了 非光滑问题的计算和计算量需求的问题。我们的方法应 1. 问题的介绍 该被视为是L2 范数下（矩阵低秩近似）的成功方法- Wiberg方法的一个推广。 本文论述的方法是用来解决在缺失了数据的情况下矩阵 的低秩近似。这个问题如下描述： 1.1 本文使用的符号说明    本文任何地方