11:34
官方账号arXiv cs.LG@Benoît Loucheur, P. -A. Absil, Michel Journée
推荐理由：这篇论文在RTRMC基础上加入图正则化，处理行列关联强的数据时补全更准，做推荐系统或图像修复的值得一看。
Grassmann流形
共 1 条相关 AI 资讯
7月13日
11:34
论文提出GR-RTRMC方法，将图正则化融入已有RTRMC（黎曼信赖域矩阵补全）框架。RTRMC利用低秩约束的几何结构，将问题重构为单个Grassmann流形上的无约束优化。GR-RTRMC通过捕获矩阵行和列之间的内在关系（图结构），在数据具有强行列相关性时提升补全精度和鲁棒性。实验验证了该方法在合成与真实数据集上的性能改进。