노이즈 데이터로부터의 견고한 그래프 학습

데이터로부터 그래프를 자동으로 학습하는 것은 클러스터링 및 반지도 학습 작업에서 고무적인 성과를 보여주었다. 그러나 실제 데이터는 종종 손상되어 학습된 그래프가 부정확하거나 신뢰할 수 없게 될 수 있다. 본 논문에서는 원시 데이터의 노이즈와 오류를 적응적으로 제거하여 실제세계의 노이즈 데이터로부터 신뢰할 수 있는 그래프를 학습하기 위한 새로운 견고한 그래프 학습 방식을 제안한다. 우리는 제안한 모델이 매니폴드 정규화 견고한 주성분 분석(RPCA)의 견고한 버전으로도 볼 수 있음을 보여준다. 그래프의 품질은 중요한 역할을 한다. 제안된 모델은 두 가지 주요 요소, 즉 1) 그래프 매끄러움 가정을 활용한 향상된 저rank 복구 및 2) RPCA로 복구된 깨끗한 데이터를 활용한 그래프 구축 개선 덕분에 데이터 클러스터링, 반지도 분류, 데이터 복구의 성능을 크게 향상시킬 수 있다. 따라서 전반적으로 클러스터링, 반지도 분류 및 데이터 복구 성능을 향상시킨다. 이미지/문서 클러스터링, 객체 인식, 이미지 그림자 제거 및 비디오 배경 차감에 대한 광범위한 실험 결과, 우리의 모델이 이전의 최첨단 방법들보다 우수한 성과를 보여줌을 확인했다.