Robust low-rank data matrix approximations

Feng, Xiaoliang; He, Xu Ming

doi:10.1007/s11425-015-0484-1

Cited by 18 publications

(13 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A Equação (10), pode ser vista como um problema de regressão bilinear com variáveis U e V desconhecidas e pode ser resolvido pelo método de regressão robusta alternada Chen et al (2008). Para encontrar os valores robustos que minimizem (10), fazse uso do algoritmo Fast and Robust Alternating Regression Feng & He (2017), descrito na próxima subseção.…”

Section: Aproximação Huber De Matrizes Com Posto Reduzidounclassified

O Ensino De Soma E Subtração De Frações Com Denominadores Iguais No 6º Ano: Uma Proposta Didática Por Meio Da Utilização Do Disco De Fração

Silva¹,

Medeiros²,

Ferreira³

et al. 2022

Investigação Científica Em Matemática E Suas Aplicações

View full text Add to dashboard Cite

Direitos para esta edição cedidos à Atena Editora pelos autores. Open access publication by Atena Editora Todo o conteúdo deste livro está licenciado sob uma Licença de Atribuição Creative Commons. Atribuição-Não-Comercial-NãoDerivativos 4.0 Internacional (CC BY-NC-ND 4.0). O conteúdo dos artigos e seus dados em sua forma, correção e confiabilidade são de responsabilidade exclusiva dos autores, inclusive não representam necessariamente a posição oficial da Atena Editora. Permitido o download da obra e o compartilhamento desde que sejam atribuídos créditos aos autores, mas sem a possibilidade de alterá-la de nenhuma forma ou utilizá-la para fins comerciais.Todos os manuscritos foram previamente submetidos à avaliação cega pelos pares, membros do Conselho Editorial desta Editora, tendo sido aprovados para a publicação com base em critérios de neutralidade e imparcialidade acadêmica.A Atena Editora é comprometida em garantir a integridade editorial em todas as etapas do processo de publicação, evitando plágio, dados ou resultados fraudulentos e impedindo que interesses financeiros comprometam os padrões éticos da publicação. Situações suspeitas de má conduta científica serão investigadas sob o mais alto padrão de rigor acadêmico e ético.

show abstract

Section: Aproximação Huber De Matrizes Com Posto Reduzidounclassified

O Ensino De Soma E Subtração De Frações Com Denominadores Iguais No 6º Ano: Uma Proposta Didática Por Meio Da Utilização Do Disco De Fração

Silva¹,

Medeiros²,

Ferreira³

et al. 2022

Investigação Científica Em Matemática E Suas Aplicações

View full text Add to dashboard Cite

show abstract

“…Recently, [14] presented a review of four options for producing robust SVD. The first is an approximation of alternating regressions based on a mixture of M estimators and trimmed least squares estimators.…”

Section: Robust Singular Value Decompositionmentioning

confidence: 99%

“…The last option is an optimization with restrictions in which the data matrix is assumed to be a sum of three matrices, one of low rank, a sparse matrix to represent the outliers, and a random noise matrix. Algorithms for such optimization and additional details can be found in [14].…”

Section: Robust Singular Value Decompositionmentioning

confidence: 99%

Techniques for Robust Imputation in Incomplete Two-Way Tables

Arciniegas-Alarcón

García-Peña

Rengifo

et al. 2021

ASI

View full text Add to dashboard Cite

We describe imputation strategies resistant to outliers, through modifications of the simple imputation method proposed by Krzanowski and assess their performance. The strategies use a robust singular value decomposition, do not depend on distributional or structural assumptions and have no restrictions as to the pattern or missing data mechanisms. They are tested through the simulation of contamination and unbalance, both in artificially generated matrices and in a matrix of real data from an experiment with genotype-by-environment interaction. Their performance is assessed by means of prediction errors, the squared cosine between matrices, and a quality coefficient of fit between imputations and true values. For small matrices, the best results are obtained by applying robust decomposition directly, while for larger matrices the highest quality is obtained by eliminating the singular values of the imputation equation.

show abstract

“…现有的机器学习算法中, 基于前端学习的包括基于专家经验的算法、基于数据驱动的算法和基于模型驱动的算法. 基于模型驱动的包括函数空间的基分解、非负矩阵分解、主成分分析、数据降维、稀疏表示、数据压缩和数据低秩矩阵近似 [8] 等. 现有的聚类算法、最近邻算法、回归学习算法、决策树算法、随机森林算法、SVM 算法、Bayes 算法、EM 算法和人工神经网络算法等 (包括深度网络), 大多都是后端学习算法, 而人工神经网络算法, 如果是后面不接分类器, 则属于基于数据的前端学习, 如果接分类器则为前后端组合学习或者前后端融合学习.…”

Section: 现有的学习算法归入二元分层模式unclassified

Fusion of front-end and back-end learning based on layer-by-layer data re-representation

Guo

Han

2019

Sci. Sin.-Inf.

View full text Add to dashboard Cite

Robust low-rank data matrix approximations

Cited by 18 publications

References 14 publications

O Ensino De Soma E Subtração De Frações Com Denominadores Iguais No 6º Ano: Uma Proposta Didática Por Meio Da Utilização Do Disco De Fração

O Ensino De Soma E Subtração De Frações Com Denominadores Iguais No 6º Ano: Uma Proposta Didática Por Meio Da Utilização Do Disco De Fração

Techniques for Robust Imputation in Incomplete Two-Way Tables

Fusion of front-end and back-end learning based on layer-by-layer data re-representation

Contact Info

Product

Resources

About