矩阵分解和稀疏编码的在线学习
朱利安·迈拉尔（Julien Mairal）、弗朗西斯·巴赫（Francis Bach）、让·庞斯（Jean Ponce）、吉列尔莫·萨皮罗（Guillermo Sapiro）; 11(2):19−60, 2010.
摘要
稀疏编码——即将数据向量建模为稀疏线性基本元素的组合广泛用于机器学习，神经科学、信号处理和统计学。本文的重点是大规模矩阵分解问题，包括学习基础集，以使其适应特定数据。这方面的变化问题包括信号处理中的字典学习，非负矩阵分解和稀疏主成分分析。在这个论文中，我们建议使用一种新的在线优化来解决这些任务基于随机近似的算法，可以优雅地放大到包含数百万训练样本的大型数据集，并自然扩展各种矩阵分解公式，使其适用于广泛的学习问题。给出了收敛性证明，以及自然图像和基因组数据演示实验它在速度和对小型和大型数据集进行优化。
[腹肌]
[pdf格式][围兜]
