朱利安·迈拉尔;弗朗西斯·巴赫;让·蓬斯;吉列尔莫·萨皮罗 矩阵分解和稀疏编码的在线学习。 （英语） Zbl 1242.62087号 J.马赫。学习。物件。 11, 19-60 (2010). 摘要：稀疏编码（即将数据向量建模为基元的稀疏线性组合）广泛应用于机器学习、神经科学、信号处理和统计学。本文主要研究大规模矩阵分解问题，该问题包括学习基集以使其适应特定数据。该问题的变化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。在本文中，我们建议使用一种新的在线优化算法来解决这些任务，该算法基于随机近似，可以优雅地扩展到具有数百万训练样本的大数据集，并自然地扩展到各种矩阵分解公式，使其适用于广泛的学习问题。本文提供了一个收敛性证明，以及使用自然图像和基因组数据的实验，证明了它在速度和优化大小数据集方面具有最先进的性能。 引用于120文件 MSC公司： 62L20型 随机近似 62H25个 因子分析和主成分；对应分析 68T05型 人工智能中的学习和自适应系统 关键词：基础追求;字典学习;矩阵分解;稀疏编码;稀疏主成分分析;随机近似;随机优化;非负矩阵分解 软件：DSPCA公司 PDF格式BibTeX公司 XML格式引用 \textit｛J.Mairal｝等人，J.Mach。学习。第11、19-60号决议（2010年；Zbl 1242.62087） 全文： 链接