我也在思考这个问题。 我将首先列出一些参考文献,当我更好地理解它时,我会添加更多参考文献:
第一个系列:
从稀疏表示到低秩表示(一) - Bana - CSDN博客
从稀疏表示到低秩表示(二) - Bana - CSDN博客
从稀疏表示到低秩表示(三) - Bana - CSDN博客
从稀疏表示到低秩表示(四) - Bana - CSDN博客
从稀疏表示到低秩表示(五) - Bana - CSDN博客
第二系列:
滴滴研究院副院长叶杰平:大规模稀疏低秩学习(上)
滴滴研究院副院长叶杰平:大规模稀疏低秩学习(下)| 雷锋网
其他:
稀疏低秩理论ppt_图文_百度文库
图像理解中的稀疏性和低秩性--《北京邮电大学》2014年博士论文
补充:【注:我也是初学者,只有一些初步的了解,仅此而已】
稀疏性和低秩的相似之处在于,它们都表明矩阵的信息冗余度比较大。 具体来说,稀疏是指零个数很多,即可以压缩; 低秩是指矩阵有很多行(列)是线性相关的(参见:矩阵的低秩是什么意思?Lyu的回答为什么叫秩和齐(“矩阵中包含的信息的丰富性”的例子)学生给出的图像”);这些特征不仅表明信息是冗余的和可压缩的,更重要的是,它们可以被充分利用来做一些有趣的事情。
稀疏和低秩的区别在于,稀疏一般是针对一维向量(即压缩感知),而低秩一般是针对矩阵,比如【图文】稀疏优化和低秩矩阵优化_百度文库描述“稀疏” 》和《低级》》两页PPT:
一张表达“稀疏”的一页PPT
一张表达“低级”的一页PPT
并且稀疏和低秩也有交集(稀疏和低秩理论ppt_图片和文本_百度文库):
L1范数最小化和RPCA
即PCA就是将一个矩阵分解为低秩矩阵和稀疏矩阵。 有很多种场景:
RPCA应用
例如,建筑物前面有一棵树的图片,分解后可以表示为建筑物(低秩)+树(稀疏)……
【注】我的一些初步理解可能存在很多不准确的地方。 等我有了更深入的了解之后再更新补充!