Modelli Quadratici Robusti con Vincoli di Sottospazio per l'Apprendimento di Strutture a Bassa Dimensione
Viene proposto un nuovo modello quadratico robusto con vincoli di sottospazio (SCQM) per apprendere strutture a bassa dimensione da dati ad alta dimensionalità. Basato sul framework SQMF, gestisce varie distribuzioni di rumore, tra cui gaussiana generalizzata e laplaciana radiale, migliorando la robustezza sotto rumore a code pesanti e leggere. Un algoritmo basato sul gradiente con ricerca di linea backtracking garantisce una convergenza stabile. L'analisi di sensitività delle funzioni di perdita ℓp^p e ℓ2 rivela il loro comportamento sotto diversi rumori. Esperimenti numerici convalidano l'approccio.
Fatti principali
- Propone un modello quadratico robusto con vincoli di sottospazio (SCQM)
- Si basa sulla fattorizzazione di matrici quadratica con vincoli di sottospazio (SQMF)
- Accoglie rumore gaussiano generalizzato e laplaciano radiale
- Migliora la robustezza sotto rumore a code pesanti e leggere
- Sviluppa un algoritmo basato sul gradiente con ricerca di linea backtracking
- Presenta un'analisi di sensitività delle funzioni di perdita ℓp^p e ℓ2
- Estesi esperimenti numerici corroborano il metodo
- Pubblicato su arXiv con ID 2605.20300
Entità
Istituzioni
- arXiv