頑健な主成分補完（Robust Principal Component Completion）

arXiv cs.LG / 2026/3/27

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、疎な前景が低ランクな背景の一部を単に上乗せで加えるのではなく、隠蔽または置換するような場合に対処する頑健な主成分補完（RPCC）を提案する。
RPCCは、疎成分の支持（サポート）を間接的に推定することで疎成分を特定し、完全に確率的なベイズの疎テンソル因子分解に対する変分ベイズ推論として問題を定式化する。
本手法は、疎な支持に対するハード分類器へ収束することが示されており、従来のRPCAベースのアプローチで一般的に必要となる事後的な閾値処理を回避する。
実験により、合成データ上でほぼ最適な性能を示し、さらに実際のカラー動画およびハイパースペクトルデータにおいて前景抽出と異常検出が改善されることが示される。
著者らは、関連するGitHubリポジトリを通じてソースコードと付録を提供しており、本アプローチの再現とさらなる利用を可能にしている。

Abstract

強固な主成分分析（RPCA）は、和として与えられる低ランク成分と疎な成分を求めることを目指します。しかし、関心のある多くの応用においては、疎なフォアグラウンドが実際には低ランクの背景の要素を置き換える、またはそれを遮蔽（オクルード）することがあります。この不一致に対処するために、疎成分をその支持（support）を決定することで間接的に同定する新しい枠組みが提案されます。このアプローチは、ロバスト主成分コンプレション（RPCC）と呼ばれ、完全に確率的なベイズの疎テンソル因子分解に対して変分ベイズ推論を適用することで解かれます。支持に関するハード分類器への収束が示され、それにより、先行するほとんどのRPCA駆動アプローチで必要とされる事後的（post-hoc）な閾値処理が不要になります。実験結果により、提案手法は合成データに対してほぼ最適な推定を行うだけでなく、実際のカラー動画データおよびハイパースペクトル・データに対して、それぞれ堅牢なフォアグラウンド抽出と異常検出の性能を示すことが明らかになりました。ソース実装と付録は https://github.com/WongYinJ/BCP-RPCC で利用可能です。