최소 가중 오류 엔트로피 기준을 통한 강력한 행렬 분해

고차원 데이터에서 내재적인 저차원 부분공간을 학습하는 것은 인공지능의 많은 사회 시스템에서 핵심 단계입니다. 실제 시나리오에서는 관측된 데이터가 일반적으로 다양한 유형의 노이즈에 의해 손상되어, 사회 시스템이 데이터를 분석하는 데 큰 도전 과제가 됩니다. 일반적으로 사용되는 부분공간 학습 기술인 강인한 저랭크 행렬 분해(LRMF)는 noisy 환경에서 기본 부분공간을 복원하는 데 중점을 둡니다. 그러나 기존의 대부분 접근법은 데이터에 오염된 노이즈가 독립 동등 분포(i.i.d.)를 따른다고 단순히 가정하며, 이는 가우시안 및 라플라시안 노이즈와 같습니다. 이러한 가정은 기본 학습 문제를 크게 단순화하지만, 사회 시스템에서 널리 존재하는 더 복잡한 비-i.i.d. 노이즈에 대해서는 성립하지 않을 수 있습니다. 본 연구에서는 다양한 유형의 노이즈를 통일된 방식으로 처리하기 위해 강력한 LRMF 접근법을 제안합니다. 전통적인 알고리즘과는 달리, 우리의 프레임워크에서의 노이즈는 독립적이며 부분적으로 동일하게 분포된(i.p.i.d.) 원천을 사용하여 모델링되며, 이는 기본 노이즈의 통계적 행동을 특성화하기 위해 단일 분포 대신 여러 분포의 집합을 사용합니다. 일반적인 노이즈 모델을 사용하여, 우리는 새로운 최소화 기준을 통해 정보 이론적 학습(ITL) 프레임워크 하에 강력한 LRMF 알고리즘을 설계합니다. 반이차 최적화 패러다임을 채택하여, 우리는 제안된 방법을 위한 최적화 전략을 추가로 제공합니다. 합성 및 실제 데이터에 대한 실험 결과를 제공하여 제안된 방식의 우수성을 입증합니다.