Robust Orthogonal Complement Principal Component Analysis
稳健正交补主成分分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦通用稳健 PCA 与异常值处理，没有明确的宏观或金融因子模型，故不因低秩方法而分配因子分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
稳健正交补主成分分析
- 研究问题
- 对于原始观测空间中不明显却会严重影响主子空间估计的异常值，如何构造兼顾稳健性和高维计算的 PCA 方法？
- 方法与思路
- 作者刻画变换后的异常值，结合稀疏与低秩正则化，并采用 Stiefel 流形优化、迭代阈值及批处理变体求解。
- 材料陈述的贡献
- 摘要称非渐近预言不等式支持有限样本精度与高崩溃点表现，并指出常见 SVD 降维步骤在稳健 PCA 中的隐患。
- 阅读关注点
- 应核对异常值在正交补空间中的定义、误差保证与崩溃性质的条件，以及优化收敛和 SVD 预降维风险的范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；污染模型、理论界和算法保证未具体提供，不能确认所有异常值结构下的稳健性或推断刊本变化。
原文摘要
Recently, the robustification of principal component analysis (PCA) has attracted lots of attention from statisticians, engineers, and computer scientists. In this work, we study the type of outliers that are not necessarily apparent in the original observation space but can seriously affect the principal subspace estimation. Based on a mathematical formulation of such transformed outliers, a novel robust orthogonal complement principal component analysis (ROC-PCA) is proposed. The framework combines the popular sparsity-enforcing and low-rank regularization techniques to deal with row-wise outliers as well as element-wise outliers. A nonasymptotic oracle inequality guarantees the accuracy and high breakdown performance of ROC-PCA in finite samples. To tackle the computational challenges, an efficient algorithm is developed on the basis of Stiefel manifold optimization and iterative thresholding. Furthermore, a batch variant is proposed to significantly reduce the cost in ultra high dimensions. The article also points out a pitfall of a common practice of singular value decomposition (SVD) reduction in robust PCA. Experiments show the effectiveness and efficiency of ROC-PCA in both synthetic and real data. Supplementary materials for this article are available online.