.png){kind=icon}
返回
Subspace-constrained quadratic matrix factorization: Algorithm and applications
.png){kind=icon}
OA
AI
DOI：10.1016/j.patcog.2024.111333.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
矩阵分解已作为一种广泛采用的框架，用于建模具有低秩结构的数据。为解决流形学习中的挑战，本文提出了一种子空间约束的二次矩阵分解模型。该模型旨在联合学习关键低维结构，包括切空间、法子空间以及连接切空间到低维表示的二次型。我们采用交替最小化方法求解所提出的分解模型，涉及对非线性回归和投影子问题的深入探讨。还研究了二次投影问题的理论性质和交替策略的收敛特性。为验证我们的方法，我们在合成和真实世界数据集上进行了数值实验。结果表明，我们的模型优于现有方法，突显了其在捕捉核心低维结构方面的鲁棒性和有效性。
Keyword:
Subspace
Manifold
Matrix factorization
Tangent space
Nonlinear projection
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
Principal manifolds and nonlinear dimensionality reduction via tangent space alignment基于切线空间对齐的主流形和非线性降维
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏The MNIST Database of Handwritten Digit Images for Machine Learning Research [Best of the Web]用于机器学习研究的手写数字图像MNIST数据库 [Best of The Web]
PREAI
分享收藏分享收藏
查看更多内容