{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,6,5]]，“日期-时间”：“2024-06-05T04:33:57Z”，“时间戳”：1717562037142}，“参考-计数”：36，“出版商”：“计算机协会（ACM）”，“问题”：“4”，“资助者”：[{“DOI”：“10.13039\/501100017616”，“名称”：“北京”人才工程”，“doi-asserted-by”：“crossref”，“adward”：[“2017A24”]}，{“doi”：“10.13039\/501100001809”，“name”：“国家自然科学基金”，“doi-asserted-by”：”publisher“，”adward“：[“No.61632006，61772048，61672071，U1811463，19B2039”]}]，“content-domain”：{“domain”:[“dl.acm.org”]，“crossmark-restriction”：true}，“short-container-ti”tle“：[“ACM Trans.Nowl.Discov.Data”]，“已出版印刷品”：｛“日期部分”：[[2021,8,31]]｝，“摘要”：“\n局部保持投影（LPP）是一种保持数据邻域图结构的降维算法。然而，传统的LPP对数据中存在的异常值很敏感。本文提出了一种新的低秩LPP模型LR-LPP。在这个新模型中，原始数据被分解为干净的本征分量和噪声分量。然后，基于编码在低阶特征中的干净本征分量学习投影矩阵。噪声分量受\n\u2113\n1<\/jats:sub>\n<\/jax:bold>\n-对异常值更稳健的范数。最后，将LR-LPP模型推广到LR-FLPP，其中低维特征是通过F范数测量的。LR-FLPP将减少聚集误差并削弱异常值的影响，这将使所提出的LR-FLPP对异常值更加鲁棒。在公共图像数据库上的实验结果证明了所提出的LR-LPP和LR-FLPP的有效性。\n<\/jats:p>“，”DOI“：”10.1145\/3434768“，”type“：”journal-article“，”created“：{”date-parts“：[2021,6,18]]，”date-time“：”2021-06-18T13:07:40Z“，”timestamp“：1624021660000}，”page“：“1-22”，“update-policy”：“http://\/dx.DOI.org\/10.1145\/crossmark-policy”，“source”：”Crossref“，”is-referenced-by-count“：8，”标题“：[”基于低秩保局投影的鲁棒图像表示“]，”前缀“：”10.1145“，”卷“：”15“，”作者“：[{”给定“：”帅“，”家人“：”尹“，“序列”：“第一”，“隶属关系”：[{'名称“：”北京理工大学，中国北京“}]}，{”给出“：”雁峰“，”家族“：”孙“，”序列“：”附加“，”隶属关系“：[}”名称“：“北京理工大学“}]}，{“给定”：“Junbin”，“family”：“Gao”，“sequence”：“additional”，“affiliation”：[{“name”：“The University of Sydney，Camperdown NSW，Australia”}]}.，{”给定“：“Yongli”，“家庭”：“Hu”，“序列”：“additional”Wang“，”sequence“：”additional“，”affiliation“：[{”name“：”Beijing University of Technology，China，Beijing]}，{”given“：”Baocai“，”family“：”Yin“，”sequence“:”additionable“，”feliation“:[{“name”：“Beijiing University，China”}]]，“member”：“320”，“published online”：{“date-parts”：[2021,6,18]]}、“reference”：[{“key”：“e_1_1_1”，“doi-asserted-by“：”publisher“，”doi“：”10.1007\/978-3-642-61159-9_32“}，{“key”：“e_1_1_2_1”，“doi-assert-by”：“publisher”，“doi”：“10.1109\/34.598228”}，“key“：”e_1_i_1_3_1“，“doi asserted-by”：”publister“，”doi“：Y“：”crossref“，”unstructured“：”e.J.Candes X.Li Y.Ma和J.Wright，2011年。稳健的主成分分析？美国医学会杂志58 3（2011）1\u201337。E.J.Candes X.Li Y.Ma和J.Wright。2011.稳健的主成分分析？ACM杂志58 3（2011）1\u201337.“，”DOI“：”10.1145\/1970392.1970395“}，{”key“：”e_1_2_1_5_1“，“非结构化”：”S.Celik B.A.Logsdon和S.I.Lee.2014。高维网络估计的有效降维。在ICML中。1953\u20131961年。S.Celik B.A.Logsdon和S.I.Lee。2014.高效降维，用于高维网络估计。在ICML中。1953\u20131961.“}，{”key“：”e_1_2_1_6_1“，”unstructured“：”C.Ding D.Zhou X.He和H.Zhang.2006。R1-PCA：用于鲁棒子空间分解的旋转不变L1-形式主成分分析。在ICML中。281\u2013288。C.丁D.周X.何和H.张。2006.R1-PCA：稳健子空间分解的旋转不变L1-形式主成分分析。在ICML中。281_2013288.“}，{”key“：”e_1_2_1_7_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1162\/neco.2007.11-06-397”}，“key”：“e_1_i_1_8_1”，“doi-assert-by”：“crossref”，”unstructured“：”J.Guo Y.Sun J.Gao Y.Hu and B.Yin.2020。具有双向重构约束的鲁棒自适应线性判别分析。ACM《从数据中发现知识的汇刊》14 6（2020）1\u201320。J.Guo Y.Sun J.Gao Y.Hu和B.Yin。2020年。具有双向重建约束的稳健自适应线性判别分析。ACM《数据知识发现汇刊》14 6（2020）1\u201320.“，“DOI”：“10.1145\/3409478”}，{“key”：“e_1_2_1_9_1”，“unstructured”：“X.He C.Deng S.Yan和H.Zhang.2005。邻域保护嵌入。在ICCV中。1208\u20131213。十、何春红、邓世燕、张浩。2005.邻里保护嵌入。在ICCV中。1208\u20131213.“}，{”key“：”e_1_2_1_10_1“，”unstructured“：”X.He和P.Niyogi.2003。保留局部投影。以NIPS为单位。186\u2013197。X.他和P.Niyogi。2003年，地方保护预测。以NIPS为单位。186\u2013197.“}，{”key“：”e_1_2_1_11_1“，”doi-asserted-by“：”crossref“，“unstructured”：“X.Hu Y.Sun J.Gao Y.Hu和B.Yin。2018。基于F-范数的保局部投影。在AAAI。1330\u20131337。X.Hu Y.Sun J.Gao Y.Hu和B.Yin。2018年，基于F-范数的局部保持投影。在AAAI。1330\u20131337.”，“DOI”：“10.1609\/aai.v32i.11518”｝，｛“key”：“e_1_2_1_12_1”，“DOI断言者”：“publisher”，“DOI”：“10.1016\/j.cviu.2011.08.008”｝，｛“key”：“e_1_2_1_13_1”，“卷标题”：“主成分分析”，“作者”：“Jolliffe I.T.”，“非结构化”：“I.T.Jolliffe.1986。主成分分析。斯普林格。41\u201364。I.T.Jolliffe。1986.主成分分析。斯普林格。41\u201364.“}，{”key“：”e_1_2_1_14_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TIP.2015.2469136”}，“key”：“e_1_i_15_1”，“unstructured”：“Q.Ke和T.Kanade.2005。在存在离群值和缺失数据的情况下，通过交替凸规划实现鲁棒L1范数分解。在CVPR中。第739页\u2013746页。Q.Ke和T.Kanade。2005.在存在离群值和缺失数据的情况下，通过替代凸规划进行鲁棒L1范数分解。在CVPR中。739\u2013746.“}，{“key”：“e_1_2_1_16_1”，“unstructured”：“香港·L·王·e·K·Teoh·J·G·王和R.Venkateswarlu.2005。二维fisher判别分析框架：应用于少量训练样本的人脸识别。在CVPR中。1083\u20131088。香港·L·王·E·K·Teoh·J·G·王和R.Venkateswaru。2005.二维fisher判别分析框架：应用于少量训练样本的人脸识别。在CVPR中。1083\u20131088.“}，{”key“：”e_1_2_1_17_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1137\/0126003”}，“key”：“e_1_cu1_18_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/TMM.2015.2425141。精确恢复受损低秩矩阵的增广拉格朗日乘子方法。ArXiv预打印ArXiv:1009.5055 9（2020）。Z.Lin M.Chen和Y.Ma.2020。精确恢复低秩矩阵的增广拉格朗日乘子方法。ArXiv预打印ArXiv:1009.5055 9（2020）。“}，{”key“：”e_1_1_20_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TMM.2017.2683258”}，“key”：“e_2_1_21_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/TCYB.2015.2457611“}”，{}，{“键”：“e_1_2_1_23_1”，“doi-asserted-by”：“出版商”，“doi”：“10.1016\/j.patcog.2013.06.031“}，{”key“：”e_1_2_1_24_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1016\/j.patcog.2011.07.009”}，“key”：“e_1_i_1_25_1”，“doi-assert-by”：“crossref”，”unstructured“：”N.Naikal A.Y.Yang和S.Sastry.2011。基于稀疏PCA的目标识别信息特征选择。在ICCV中。818\u2013825。N.Naikal A.Y.Yang和S.S.Sastry。2011.通过稀疏PCA进行目标识别的信息特征选择。在ICCV中。818\u2013825.“，”DOI“：”10.1109\/ICCV.2011.6126321“}，{”key“：”e_1_1_26_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1109\/TMM.2015.2470595”}，“key”：“e_1_i_1_27_1”，“DOI-assert-by”：“publisher”，”DOI:“10.1126\/science.290.5500.2319”}、{”密钥“：”e_1_2_1_28_1“、”DOI-sserted by“：”crossref“，”unstructured“：”M.Turk和A.Pentland，1991年。用于识别的特征脸。认知神经科学杂志3 1（1991）71\u201386。M.Turk和A.Pentland。1991.识别特征脸。《认知神经科学杂志》3 1（1991）71\u201386.“，”DOI“：”10.1162\/jocn.1991.3.1.71“｝，｛”key“：”e_1_2_29_1“，”DOI由“：”publisher“断言，”DOI“：”10.1109\/TIP.2017.2691543“｝，｛”key“：”e_1_1_30_1“，”DOI由“：”publisher“断言，”DOI“：”10.1109\/TIP.2018.255426“｝，｛”key“：”e_1_31_1“，”DOI由“：”publisher断言“，”DOI“：”10.1109\/TNN.2008.2004963“}，{“key”：“e_1_2_1_32_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/ITIT.2012.2212415“}”，{”key“：”e_1_i_1_33_1“，”doi-assert-by“：”crossref“，“unstructured”：“M.Yang.2002。核特征脸与核fisherfaces：使用核方法的人脸识别。FG.215\u2013220。杨先生。2002.内核特征脸与内核fisherfaces:使用内核方法的人脸识别。在FG.215\u2013220.“，”DOI“：”10.1109\/AFGR.2002.4527207“}，{”key“：”e_1_1_34_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1109\/TCYB.2018.2811764”}，“key”：“e_1_i_1_35_1”，“unstructured”：“Y.Zheng G.Liu S.Sugimoto S.Yan和M.Okutomi.2012。鲁棒L1-模下的实用低秩矩阵逼近。在CVPR中。1410\u20131417。Y.Zheng G.Liu S.Sugimoto S.Yan和M.Okutomi。2012.稳健L1-norm下的实际低秩矩阵近似。在CVPR中。1410\u20131417.“}，{”key“：”e_1_2_1_36_1“，”doi-asserted-by“：”crossref“，“unstructured”：“F.Zhong and J.Zhang.2013。基于L1-范数最大化的线性判别分析。IEEE图像处理汇刊22 8（2013）3018\u20133027。F.Zhong和J.Zhang。2013.基于L1-形式最大化的线性判别分析。IEEE Transactions on Image Processing 22 8（2013）3018\u20133027.“，”DOI“：”10.1109\/TIP.2013.2253476“}]，”container-title“：[”ACM Transactions on-Knowledge Discovery from Data“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“https:\/\/dl.ACM.org\/DOI\/pdf\/10.1145\/3434768“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2023,1,1]]，”date-time“：”2023-01-01T21:32:32:36Z“，”timestamp“：1672608756000}，”score“：1，”resource“：{“primary”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/3434768”}}，“subtitle”：[]，“shorttitle”：[]，“issued”:{“date-part”：[202 1,6,18]]}，“参考人数”：36，“新闻发布”：{“issue“：”4“，”published-print“：{”date-parts“：[[2021,8,31]]}}，”alternative-id“：[”10.1145\/3434768“]，”URL“：”http://\\/dx.doi.org\/10.1145\/3434668“，”relation“：{}，“ISSN”：[”1556-4681“，”1556-472X“]，“ISSN-type”：[{“value”：“1556-4682”，”type“：”print“}，{”value“”：“1556-472X”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[[2021,6,18]]}，“断言“：[{”value“：”2019-08-01“，”order“：0，”name“：”received“，”label“：”received“，“group”：{“name”：“publication_history”，“label”：“publication history”}}，{“value”：“2020-11-01”，“order”：1，“name”:“accepted”，“tabel”：”accepted“，“group”：“name”：“published”，“label”：“发布”已发布“，”组“：{“name”：“publication_history”，“label”：“publication history”}}]}}