LRR低秩表示文献

matrix_factorization_recommenders 推荐系统的低秩矩阵分解 Jupyter Notebook将与Recommender Systems的低秩矩阵分解一起发布。

基于凸优化的低秩矩阵分解算法

基于Gabor滤波器和低秩分解的织物缺陷检测算法

RPCA的求解 凸松弛 NP难问题 松弛后 矩阵核范数

PowerSGD 适用于分布式优化的实用低秩梯度压缩 摘要：我们研究了梯度压缩方法来缓解数据并行分布优化中的通信瓶颈。 尽管受到了很大的关注，但是当前的压缩方案不能很好地扩展或无法达到目标测试精度。 我们基于功率迭代提出了一种新的低秩梯度压缩器，它可以i）快速压缩梯度，ii）使用全归约有效地压缩压缩梯度，iii）达到与SGD相当的测试性能。 所提出的算法是唯一评估的方法，当以具有优化的通信后端的常规SGD为基准进行测试时，该方法可实现一致的挂钟加速。 我们证明了减少卷积网络以及通用数据集上的LSTM的训练时间。 该存储库包含用于实验的研究代码。 从1.8版开始，PyTorch将该算法的派生实现作为DistributedDataParallel模型的。 如果您打算在生产环境中使用PowerSGD， 分享他们在将PowerSGD扩展到大型系统上的实验。 代码组织 一些指针 是入口点。 实

最近的基于低秩的矩阵/张量恢复方法已经在多光谱图像（MSI）去噪中得到了广泛的探索。 但是，这些方法忽略了固有结构相关性沿空间稀疏性，光谱相关性和非局部自相似性模式的差异。 在本文中，我们通过对矩阵和张量情况下的秩属性进行详细分析，进一步找出非局部自相似性是关键因素，而其他人的低秩假设可能不成立。 这促使我们设计一个简单而有效的单向低秩张量恢复模型，该模型能够如实地捕获固有的结构相关性，并减少计算负担。 然而，由于重叠的补丁/立方体的聚集，低等级模型遭受了振铃伪影。 虽然以前的方法诉诸于空间信息，但我们通过利用MSI中的专有频谱信息来解决此问题，从而提供了一个新的视角。 引入基于分析的超拉普拉斯先验模型对全局频谱结构进行建模，以间接减轻空间域中的振铃伪影。 与现有方法相比，该方法的优点是多方面的：更合理的结构相关可表示性，更少的处理时间以及重叠区域中更少的伪影。 所提出的方法在多个基准上得到了广泛评估，并且明显优于最新的MSI去噪方法。

矩阵低秩分解理论 矩阵低秩分解理论 矩阵低秩分解理论

超松弛再生matlab代码矩阵IRLS 矩阵迭代加权最小二乘（ MatrixIRLS ），用于低秩矩阵完成。 该资料库包含MATLAB的MatrixIRLS算法实现，该算法在MatrixIRLS上发表的论文中进行了描述。 MatrixIRLS论文所述，MatrixIRLS通过基于最佳权重算子并结合适当的平滑处理的迭代加权最小二乘（IRLS）步骤，使受输入数据约束的矩阵的奇异值的对数总和最小化目标的策略。 该实现使用bksvd的改编或Cameron Musco和Christopher Musco的改编以“低秩+稀疏”格式计算矩阵的奇异值和向量。 该存储库还包含用于低秩矩阵完成的参考算法的集合，请参见下面的列表。 在本文的实验部分中，将MatrixIRLS与这些算法的数据效率（提供的条目很少的性能）和可伸缩性进行了比较。 为了方便用户在文件夹中提供参考算法的实现。 这些实现都只包含作者原始代码的微小修改（以便进行时序实验）。 请参考相应的研究论文和原始实现，以获取标准参数选择的说明。 引文 如果您引用本文或代码，请引用为： @inproceedings{kuemmerleverdun202

将鲁棒主成分分析、矩阵补全和低秩表示统称为低秩矩阵恢复, 并对近年来出现的低秩矩阵恢复算法进行了简要的综述。讨论了鲁棒主成分分析的各种优化模型及相应的迭代算法, 分析了矩阵补全问题及求解它的不精确增广拉格朗日乘子算法, 介绍了低秩表示的优化模型及求解算法。最后指出了有待进一步研究的问题。