शोर डेटा से मजबूत ग्राफ अध्ययन

डेटा से स्वचालित रूप से ग्राफ़ सीखना क्लस्टरिंग और अर्ध-निगरानी शिक्षण कार्यों पर उत्साहजनक प्रदर्शन दिखा चुका है। हालाँकि, वास्तविक डेटा अक्सर भ्रष्ट होता है, जिसके कारण सीखे गए ग्राफ़ में अशुद्धियाँ हो सकती हैं या यह विश्वसनीय नहीं हो सकता है। इस पत्र में, हम वास्तविक दुनिया के शोर वाले डेटा से विश्वसनीय ग्राफ़ सीखने के लिए एक नवीन मजबूत ग्राफ़ अधिगम योजना का प्रस्ताव करते हैं, जो कच्चे डेटा में शोर और त्रुटियों को अनुकूलित रूप से हटा कर किया जाता है। हम दिखाते हैं कि हमारा प्रस्तावित मॉडल बहुपरकारी नियमितीकृत मजबूत प्रमुख घटक विश्लेषण (RPCA) का एक मजबूत रूप भी देखा जा सकता है, जहाँ ग्राफ़ की गुणवत्ता एक महत्वपूर्ण भूमिका निभाती है। प्रस्तावित मॉडल डेटा क्लस्टरिंग, अर्ध-निगरानी वर्गीकरण, और डेटा पुनर्प्राप्ति के प्रदर्शन को काफी बढ़ाने में सक्षम है, मुख्य रूप से दो प्रमुख कारकों के कारण: 1) ग्राफ़ की चिकनाई के औसत का उपयोग करके बढ़ाया गया निम्न-रैंक पुनर्प्राप्ति और 2) RPCA द्वारा पुनर्प्राप्त साफ डेटा का उपयोग करके सुधारित ग्राफ़ निर्माण। इस प्रकार, यह समग्र रूप से क्लस्टरिंग, अर्ध-निगरानी वर्गीकरण, और डेटा पुनर्प्राप्ति के प्रदर्शन को बढ़ाता है। छवि/दस्तावेज़ क्लस्टरिंग, वस्तु पहचान, छवि छाया हटाने, और वीडियो पृष्ठभूमि का घटाव पर व्यापक प्रयोग दिखाते हैं कि हमारा मॉडल पिछले अत्याधुनिक तरीकों से बेहतर प्रदर्शन करता है।