Análise Robusta de Fatores Latentes para Representação Precisa de Dados de Alta Dimensão e Esparsos

Matrizes de alta dimensão e esparsas (HiDS) surgem comumente em várias aplicações industriais, por exemplo, sistemas de recomendação (RSs), redes sociais e redes de sensores sem fio. Como contêm informações ricas, a forma precisa de representá-las é de grande importância. Um modelo de fator latente (LF) é uma das maneiras mais populares e bem-sucedidas de abordar essa questão. Os modelos LF atuais adotam principalmente a perda orientada à norma L 2 para representar uma matriz HiDS, ou seja, somam os erros entre os dados observados e os previstos com a norma L 2. No entanto, a norma L 2 é sensível a dados discrepantes. Infelizmente, dados discrepantes geralmente existem em tais matrizes. Por exemplo, uma matriz HiDS de RSs comumente contém muitas classificações discrepantes devido a alguns usuários descuidados/maliciosos. Para abordar essa questão, este trabalho propõe um modelo de fator latente orientado à norma L 1 suave (SL-LF). Sua ideia principal é adotar a norma L 1 suave em vez da norma L 2 para formar sua perda, tornando-o não apenas robusto, mas também altamente preciso na previsão de dados ausentes de uma matriz HiDS. Resultados experimentais em oito matrizes HiDS geradas por aplicações industriais verificam que o modelo SL-LF proposto não apenas é robusto aos dados discrepantes, mas também apresenta uma precisão de previsão significativamente superior em comparação com modelos de ponta quando utilizados para prever os dados ausentes de matrizes HiDS.