Matris Tamamlama
Low-Rank Matrix Completion · Ayrıca şöyle bilinir: Nuclear Norm Minimization, Collaborative Filtering via Low-Rank Recovery, Inductive Matrix Completion, Matris Tamamlama
Matris Tamamlama, küçük, muhtemelen rastgele seçilmiş bir alt kümesinden düşük ranklı bir matrisi kurtarmak için kullanılan bir tekniktir. Emmanuel Candès ve Benjamin Recht tarafından 2009 yılında tanıtılan bu yöntem, problemi çekirdek norm minimizasyonu — rank minimizasyonu için dışbükey bir vekil — olarak yeniden formüle eder ve matris tutarsızlık koşulunu sağladığında ve girdiler düzgün rastgele gözlemlendiğinde tam kurtarmanın mümkün olduğuna dair teorik garantiler sunar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veriler sistematik olarak eksik girdiler olarak bir matris olarak düzenlenebildiğinde ve gerçek sinyalin düşük ranklı olduğuna inanmak için bir neden olduğunda — örneğin, öneri sistemlerinde, genomikte, sosyal ağ analizinde ve görüntü kurtarmada — matris tamamlama kullanın. Temel varsayımlar, girdilerin rastgele eksik olması ve matrisin bir tutarsızlık koşulunu sağlamasıdır. Yapısal veya rastgele olmayan eksiklikler, çok yüksek ranklı yapılar veya düşük rank varsayımının gerekçelendirilmediği matrisler için uygun değildir. Alternatifler arasında genel eksik veriler için MICE imputasyonu ve negatif olmama durumunun gerekli olduğu durumlarda NMF bulunur.
Güçlü yönler & sınırlılıklar
- Hafif koşullar altında, polinom zamanlı dışbükey bir programla kanıtlanabilir şekilde tam kurtarma
- Matris gerçekten düşük ranklı olduğunda çok yüksek eksiklik oranlarını işler
- Rank hakkında önceden bilgi gerekmez; çekirdek norm minimizasyonu bunu örtük olarak bulur
- Rastgele matris teorisi ve dışbükey analize dayanan güçlü teorik garantiler
- Yarı-tanımlı programlamanın hesaplama maliyeti, matris boyutlarıyla kötü ölçeklenir
- Tutarsızlık varsayımı, yapısal eksiklikler veya aykırı değerler içeren gerçek veri kümelerinde başarısız olabilir
- Gerçek rank matris boyutlarından çok daha küçük olmadığında performans düşer
- Çekirdek norm minimizasyonu gürültüye duyarlı olabilir; sağlam varyantlar ek karmaşıklık katar
SSS
Matris tamamlama için çekirdek norm minimizasyonu tek yol mudur?
Hayır. Ayrıştırılmış formlar üzerinde alternatif en küçük kareler (ALS) ve gradyan inişi (örneğin, M ≈ UV^T olacak şekilde U ve V üzerinde SGD) ölçeklenebilirlik için pratikte yaygın olarak kullanılır. Ancak, bu dışbükey olmayan yaklaşımlar, çekirdek norm minimizasyonunun tam kurtarma garantilerinden yoksundur ve dikkatli başlatma olmadan yerel minimumlara yakınsayabilir.
Tam kurtarma için ne kadar veriye ihtiyaç vardır?
Candès ve Recht, tutarsızlık parametresi μ'ye sahip n×n rank-r bir matris için yaklaşık C·μ·r·n·log(n) gözlemlenen girdinin yeterli olduğunu göstermiştir. Pratikte bu, düşük ranklı bir matrisin genellikle içsel serbestlik derecelerinin yalnızca küçük bir katından oluşan bir örnekten kurtarılabileceği anlamına gelir; bu, n×n bir matris için r(2n−r)'ye eşittir.
Tutarsızlık koşulu nedir ve neden önemlidir?
Tutarsızlık, tekil vektörlerin koordinat bazına ne kadar yayıldığını ölçer. Yoğunlaşmış tekil vektörlere sahip bir matris — örneğin, yalnızca tek bir satırda sıfırdan farklı olan rank-1 bir matris — bilgisinin çoğunu küçük bir girdi kümesinde depolar. Bu girdiler gözlemlenmemişse, ne kadar çok başka girdi bilinirse bilinsin kurtarma imkansızdır.
Kaynaklar
- Candès, E. J., & Recht, B. (2009). Exact matrix completion via convex optimization. Foundations of Computational Mathematics, 9(6), 717–772. DOI: 10.1007/s10208-009-9045-5 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Low-Rank Matrix Completion. ScholarGate. https://scholargate.app/tr/machine-learning/matrix-completion
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- MICEİstatistik↔ karşılaştır
- Negatif Olmayan Matris Ayrıştırması (NMF)Makine öğrenmesi↔ karşılaştır