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