基于低秩表示的鲁棒回归模型

doi:10.19678/j.issn.1000-3428.0053524

计算机工程 ›› 2020, Vol. 46 ›› Issue (1): 74-79,86. doi: 10.19678/j.issn.1000-3428.0053524

基于低秩表示的鲁棒回归模型

王丽娟^a, 李可爱^a, 郝志峰^a, 蔡瑞初^a, 尹明^b

广东工业大学 a. 计算机学院;b. 自动化学院, 广州 510006

收稿日期:2018-12-28 修回日期:2019-01-31 出版日期:2020-01-15 发布日期:2019-02-01
作者简介:王丽娟(1978-),女,副教授,主研方向为数据挖掘、机器学习;李可爱,硕士;郝志峰、蔡瑞初、尹明,教授。
基金资助:
国家自然科学基金（61502108，61876042，61876043，61502175，61773130）；广东省自然科学基金（2014A030308008，2014A030306004）；NSFC-广东联合基金（U1501254）；广东省科技计划项目（2016B030306004，2017A010101024，2015B010131015）；广东省教育厅科研项目（2017KTSCX059）；广东省特支计划项目（2015TQ01X140）。

Robust Regression Model Based on Low Rank Representation

WANG Lijuan^a, LI Keai^a, HAO Zhifeng^a, CAI Ruichu^a, YIN Ming^b

a. School of Computer;b. School of Automation, Guangdong University of Technology, Guangzhou 510006, China

Received:2018-12-28 Revised:2019-01-31 Online:2020-01-15 Published:2019-02-01

摘要/Abstract

摘要： 现有的线性回归方法不能有效处理噪声和异常数据。针对这一问题，结合低秩表示和鲁棒回归方法构建模型LR-RRM。利用低秩表示方法以有监督的方式检测数据内的噪声和异常值，从原始数据的低维子空间中恢复数据干净部分，并将其应用于线性回归分类，从而提升回归性能。在Extend YaleB、AR、ORL和PIE人脸数据集上的实验结果表明，与标准线性回归、基于鲁棒主成分分析和低秩表示的线性回归模型相比，该模型在4种原始数据集以及添加随机噪声后的数据集上分类准确率和鲁棒性均较优。

关键词: 线性回归, 低秩表示, 噪声数据, 人脸识别, 高维数据

Abstract: The existing linear regression method cannot effectively deal with noise and outliers.To address the problem,this paper establishes the LR RRM model by combining Low Rank Representation(LRR) and robust regression methods.The LRR method is used to detect noise and outliers in the data in a supervised way.The clean part of data is recovered from the low dimensional subspace of the original data and is used for the classification of linear regression,so as to improve the regression performance.Experimental results on the Extend YaleB,AR,ORL and PIE face datasets show that compared with the standard linear regression model,the robust principal component analysis based linear regression model and the LRR linear regression model,the proposed model has better classification accuracy and robustness on the four original dataset and the dataset with random noise.

Key words: linear regression, Low Rank Representation(LRR), noisy data, face recognition, high dimensional data

中图分类号:

TP391

王丽娟, 李可爱, 郝志峰, 蔡瑞初, 尹明. 基于低秩表示的鲁棒回归模型[J]. 计算机工程, 2020, 46(1): 74-79,86.

WANG Lijuan, LI Keai, HAO Zhifeng, CAI Ruichu, YIN Ming. Robust Regression Model Based on Low Rank Representation[J]. Computer Engineering, 2020, 46(1): 74-79,86.

https://www.ecice06.com/CN/Y2020/V46/I1/74

图/表 10

20200115110055

20200115110058

20200115110101

20200115110104

20200115110106

20200115110109

20200115110111

20200115110115

20200115110117

20200115110120

参考文献

[1] WANG H,DING C,HUANG H.Multi-label linear discriminant analysis[C]//Proceedings of European Conference on Computer Vision.Berlin,Germany:Springer,2010:126-139.
[2] HUANG S M,YANG J F.Improved principal component regression for face recognition under illumination variations[J].IEEE Signal Processing Letters,2012,19(4):179-182.
[3] PAPAGEORGIOU G,BOUBOULIS P,THEODORIDIS S.Robust linear regression analysis——a greedy approach[J].IEEE Transactions on Signal Processing,2015,63(15):3872-3887.
[4] HUANG Pu,LAI Zhihui,GAO Guangwei,et al.Adaptive linear discriminant regression classification for face recognition[J].Digital Signal Processing,2016,55:78-84.
[5] XIANG Shuo,ZHU Yunzhang,SHEN Xiaotong,et al.Optimal exact least squares rank minimization[C]//Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York,USA:ACM Press,2012:480-488.
[6] CAI X,DING C,NIE F,et al.On the equivalent of low-rank linear regressions and linear discriminant analysis based regressions[C]//Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York,USA:ACM Press,2013:1124-1132.
[7] HU Rongyao,LIU Xingyi,CHENG Debo,et al.Robust low-rank self-representation feature selection algorithm[J].Computer Engineering,2017,43(9):43-50.(in Chinese) 胡荣耀,刘星毅,程德波,等.鲁棒自表达的低秩属性选择算法[J].计算机工程,2017,43(9):43-50.
[8] VIDAL R,YI M,SASTRY S S.Generalized principal component analysis[M].Berlin,Germany:Springer,2016.
[9] LIU Guangcan,LIN Zhouchen,YAN Shuicheng,et al.Robust recovery of subspace structures by low-rank representation[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2013,35(1):171-184.
[10] LIU Guangcan,LI Ping.Low-rank matrix completion in the presence of high coherence[J].IEEE Transactions on Signal Processing,2016,64(21):5623-5633.
[11] YANG Fangfang,WU Xisheng,GU Biaozhun.A face recognition algorithm based on low-rank subspace projection and Gabor feature via sparse representation[J].Computer Engineering and Science,2017,39(1):131-137.(in Chinese)杨方方,吴锡生,顾标准.基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法[J].计算机工程与科学,2017,39(1):131-137.
[12] XIE Hao.Research on subspace clustering algorithm based on low rank[D].Qingdao:Qingdao University,2018.(in Chinese)解昊.基于低秩性的子空间聚类算法研究[D].青岛:青岛大学,2018.
[13] WANG Rong.Face representation and classification based on reconstructed representation[D].Yangzhou:Yangzhou University,2017.(in Chinese)王蓉.基于重构表示的人脸图像表示与分类[D].扬州:扬州大学,2017.
[14] TAN Qunchao.Face recognition based on low rank matrix decomposition and sparde representation[J].Journal of Shandong University of Technology(Natural Science Edition),2017,31(4):36-40.(in Chinese)谭群超.基于低秩矩阵分解和稀疏表达的人脸识别方法[J].山东理工大学学报(自然科学版),2017,31(4):36-40.
[15] ZHU Yani,ZHU Chaoyang,LI Xiaoxin.Improved principal component analysis and linear regression classification for face recognition[J].Signal Processing,2017,145:175-182.
[16] YANG A Y,ZHOU Z,BALASUBRAMANIAN A G,et al.Fast L1-minimization algorithms for robust face recognition[J].IEEE Transactions on Image Processing,2013,22(8):3234-3246.
[17] WANG Yu,YIN Wotao,ZENG Jinshan.Global convergence of ADMM in nonconvex nonsmooth optimization[J].Journal of Scientific Computing,2019,78(1):29-63.
[18] CAI J F,CANDōS E J,SHEN Z.A singular value thresholding algorithm for matrix completion[J].SIAM Journal on optimization,2010,20(4):1956-1982.
[19] LEE K C,HO J,KRIEGMAN D J.Acquiring linear subspaces for face recognition under variable lighting[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2005,27(5):684-698.
[20] MARTÍNEZ A,BENAVENTE R.The AR face database[J].CVC Technical Report,1998,24:1-8.

选择文件类型/文献管理软件名称

选择包含的内容

基于低秩表示的鲁棒回归模型

Robust Regression Model Based on Low Rank Representation

RichHTML

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李云航, 潘晴, 田妮莉. 结构相似度优化的混合多尺度医学图像融合[J]. 计算机工程, 2024, 50(7): 264-270.
[2]	王俊, 赖会霞, 万玥, 张仕. 基于角度的图神经网络高维数据异常检测方法[J]. 计算机工程, 2024, 50(3): 156-165.
[3]	冯雄波, 黄于欣, 赖华, 高玉梦. 基于多策略强化学习的低资源跨语言摘要方法研究[J]. 计算机工程, 2024, 50(2): 68-77.
[4]	李倩, 向海昀, 张玉婷, 甘昀, 廖浩德. 结合高斯滤波与MASK的G-MASK人脸对抗攻击[J]. 计算机工程, 2024, 50(2): 308-316.
[5]	徐润昊, 程吉祥, 李志丹, 付小龙. 基于循环生成对抗网络的含遮挡人脸识别[J]. 计算机工程, 2022, 48(5): 289-296,305.
[6]	赵欣灿, 朱云, 毛伊敏. 基于MapReduce的高维数据频繁项集挖掘[J]. 计算机工程, 2022, 48(3): 81-89.
[7]	武娇, 洪彩凤, 顾永春, 顾兴全, 金世举. 基于类邻域字典的线性回归文本分类[J]. 计算机工程, 2021, 47(8): 93-99,108.
[8]	陶洋, 鲍灵浪, 胡昊. 结合表示学习与嵌入子空间学习的降维方法[J]. 计算机工程, 2021, 47(6): 83-87,97.
[9]	马广瑶, 黄德璐, 王建军. 基于预测误差编码的加密域可逆数据隐藏算法[J]. 计算机工程, 2021, 47(5): 138-143,153.
[10]	陶洋, 鲍灵浪, 胡昊. 结构约束的对称低秩表示子空间聚类算法[J]. 计算机工程, 2021, 47(4): 56-61,67.
[11]	黄义妨, 魏丹丹, 武淼, 李慧斌, 郭勐. 面向不同传感器与复杂场景的人脸识别系统防伪方法综述[J]. 计算机工程, 2021, 47(12): 1-18.
[12]	孙登第, 凌媛, 丁转莲, 罗斌. 基于稀疏子空间聚类的多层网络社团检测[J]. 计算机工程, 2021, 47(10): 52-60.
[13]	范贵生, 刁旭炀, 虞慧群, 陈丽琼. 基于实例过滤与迁移的跨项目缺陷预测方法[J]. 计算机工程, 2020, 46(8): 197-202,209.
[14]	苏庆, 章静芳, 李小妹. 引入时间效应的SVD++线性回归推荐算法[J]. 计算机工程, 2020, 46(2): 65-71.
[15]	柯鹏飞, 蔡茂国, 吴涛. 基于改进卷积神经网络与集成学习的人脸识别算法[J]. 计算机工程, 2020, 46(2): 262-267,273.

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于低秩表示的鲁棒回归模型

Robust Regression Model Based on Low Rank Representation

RichHTML

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献

相关文章 15

编辑推荐

Metrics

本文评价