实体
Oja's algorithm
Oja's algorithm
PulseAugur coverage of Oja's algorithm — every cluster mentioning Oja's algorithm across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
在线PCA相变依赖于 n/d log(d)，而非 n/d
研究人员已确定在线主成分分析（PCA）算法（特别是Oja算法）的关键阈值。与依赖样本与维度之比（$n/d$）的传统PCA不同，在线PCA的相变由一个更复杂的比率决定，该比率涉及维度的对数（$n/d imes ext{log}(d)$）。这一发现表明，与批量算法相比，流式算法需要更高的样本与维度比率才能获得准确的结果。
-
新算法以最少数据量估计主特征向量
研究人员开发了Oja算法的压缩版本，用于估计数据协方差矩阵的主特征向量。该方法每次样本仅需两次自适应测量，显著降低了数据采集需求。分析证明了到真实特征向量的期望正弦平方误差是有界的，为压缩特征向量估计设定了理论上限，并证明了其与非自适应方案相比的效率。