低秩矩阵合成的正则化方法与应用.pdfVIP

摘 要 在许多数据处理分析与应用领域，比如高维数据的线性降维、计算机视觉 领域中的三维场景重建、运动轨迹的分割，以及个性化商品推荐等，其核心问 题都归结为矩阵低秩逼近问题的求解。在过去的几年里，针对具体的应用，出 现了很多低秩矩阵分解模型。由于实际应用中数据矩阵元素的大量缺损等因 素，矩阵低秩逼近呈现很大的不适定性。因而，如何采取正则化来避免实际问 题的不适定性并提供有效的数值算法，这是一个具有挑战性的课题。此外，为 了更好地利用数据信息，提高矩阵分解后的应用效果，采用合适的、有针对性 的正则化方法，也是增强矩阵分解的实用性一个重要的手段。 在协同过滤问题中，数据缺损的矩阵低秩分解模型可以提供很高的预测精 度，并有很强的扩展性。这是非常有效的技术，已经受到很多学者的关注且取 得了很大的应用性进展。但是该模型的效果以及相应的算法性态严重地依赖低 秩分解模型的正则化方式，并存在比较明显的过度拟合现象。通常过度拟合会 导致很差的结果。在计算机视觉相关的应用中，数据缺损下的矩阵分解基本模 型所产生的最优解还很有可能缺乏物理意义。在现有的文献中，大部分的工作 主要集中在针对现有的分解模型设计比较稳定有效的算法。然而关于数据缺损 下的矩阵低秩逼近的正则化问题讨论的很少