旗帜玩乐：通过旗帜流形获得鲁棒的主方向

什么是重心子空间分析（BSA）？它如何推广PCA？

BSA是一种在黎曼流形上推广PCA的方法。它提出了一种新的子空间类型——重心子空间，并将PCA重新表述为线性子空间族上的最优化问题，通过构造具有affine spans的Flag的子空间层次嵌套来优化积累未解释方差（AUV）标准，从而在黎曼流形中实现最优的PCA推广。

针对流形值泛函数据，如何进行内在主成分分析？

对非线性流形上的泛函数据进行了功能数据分析，针对光滑的黎曼流形值泛函数据进行了内在主成分分析，并研究了其渐近特性及其应用。

稳健PCA在低秩矩阵优化中有什么新算法？

提出了两种算法（用于两个版本的收缩），基于流形优化思想将稳健主成分分析（Robust PCA）问题看作低秩矩阵上的非凸优化问题。与基于Burer-Monterio低秩矩阵分解的先前工作相比，所提算法在理论上降低了对底层低秩矩阵条件数的依赖，仿真和实际数据证实了其竞争性能。

如何利用子黎曼几何进行流形学习和表面重构？

使用子黎曼几何，通过将点云的局部线性逼近组合成较低维度束来进行流形学习和表面重构。具体通过获取由局部主成分分析得到的局部逼近，构建在数学类R^d空间中低于维度d的级别k切子空间（称为主切子空间），从而决定R^d上的子黎曼度量。该度量可用于构建逼近子流形M、在R^k中构建点云表示、计算观测值之间的距离等。当切空间精确估计时，重构保证与真实子流形相等，且框架对噪声数据稳健，还可推广到基于先验已知黎曼几何学的观测。

CA-PCA方法如何校准曲率以改进高维数据分析？

CA-PCA是一种基于二次嵌入的局部PCA方法，用于校准底层流形的曲率，从而改进算法在高维数据分析中的估计效果。

如何在没有干净图像训练的情况下去除图像中的稀疏损坏和异常？

提出一个紧凑的自编码器公式，实现了在没有干净图像训练的情况下，去除图像数据中的稀疏损坏和异常，并展示了学习的流形结构在未见数据样本上的有效泛化能力。

分布式稳健优化如何平衡总体重建误差和子群间的差异？

提出一种在主成分分析中内在于目标函数中的公正准则的分布式稳健优化问题，通过采用超越最小二乘意义的子群重构误差之间的重构误差差异，平衡了总体重建误差和子群之间的重建误差差异，实验证明该方法较其他现有方法有明显优势。

如何利用邻域连接矩阵的特征分解进行无监督降维？

提出一种新的无监督学习和数据降维算法，利用邻域连接矩阵的部分特征分解将未组织的数据点表示为流形上的全局坐标，并使用切空间对流形的局部几何特征进行建模。实验证明了算法的正确性，并指出了进一步研究的理论和算法问题。

轨迹感知主要流形框架如何用于少样本图像生成？

提出一种新颖的轨迹感知主要流形框架，通过验证在特征空间中使用主要流形分布相对于高斯分布的理论和实际优势，用于恢复流形骨干并沿特定轨迹生成样本。通过引入内在维度正则化项，使流形更紧凑，实现少样本图像生成。实验表明该框架能提取更紧凑的流形表示，提高分类准确性，并在少样本之间生成平滑的变换。

图正则稳健PCA模型有什么优势？

提出一种名为“在图上强鲁棒性主成分分析”的新模型，将谱图正则化纳入Robust PCA框架中，具有主成分丰富性、改进的低秩恢复、改进的聚类性质和凸优化问题等优点。实验结果显示，模型在聚类和低秩恢复任务方面表现优异，优于其他十种最先进的模型。