http://bbs.sciencenet.cn/home.php?mod=space&uid=593593&do=blog&id=464505
CVPR 2010 的 best paper "Efficient Computation of Robust Low-Rank Matrix Approximations in the Presence of Missing Data using the L1 Norm" 的作者來自于澳大利亞一個做機器視覺著名的小組，前不久該文作者來訪，做了個報告，對他們小組的工作有了進一步的了解。
恰好今年本人翻譯了這篇文章，于是放上來共享（原文和翻譯文都在附件中）。
以下談一下這篇文章的讀后感：
近些年來，由于SPARCE類的方法在模式識別，計算機視覺鄰域的應用，各種有關L1 norm的優化問題被提出，應用的手段也層出不窮，毫不夸張的說，帶動了一波灌水的狂潮（當然PR和CV時時都是大水區）。
那么，這篇文章為什么能夠得到CVPR best paper? 其實我也不知道，因為這個不是我評的。因此本人只基于經驗分析一下該文章的值得注意的地方吧，即算是管中窺豹而已。（因為不是具體論述問題，只是心得，因此以下可能有不嚴謹的地方，見諒）
首先，這篇文章和時下流行的灌水題材L1相關，問題也很明確，在目標函數為L1 norm誤差下Low-Rank Matrix逼近。關于L1 norm的求解的文章如同過江之鯽，但是這篇文章，從標題上就可以看出，是“in the Presence of Missing Data”，這是個值得注意的地方，因為Missing Data是在具體問題中所不可避免的，和作者的工作相關，因此該文章并非是為了灌水而灌水，而是做了工作，一不小心得了個灌水獎。這一點與很多人用“要你命三千”的方式拼湊方法，然后“偽分析”一頓來灌水是天壤之別，云泥之判。
具體到方法，該作者實際上是把Wiberg的方法“改造”到了L1 norm下。因為Wiberg的方法只適用于L2范數下，該作者巧妙地通過一系列的形式上的運算，變成對偶的線性規劃問題，然后進行計算求解。作者提出的這個算法屬于迭代求解，每一步都是線性規劃的迭代。其實作者在文章中也提到了，Wiberg方法并不被重視，過去多少年都幾乎沒人注意，而作者卻能夠慧眼識珠，中間的原因是什么呢？還是如上一段講到的，首先作者是從事其領域多年，有深入的見解，知道問題的所在，于是對于任何方法能夠站在自己的角度上審視，是否能“楚才晉用”，這一點和別人滿世界的找新方法用在自己領域然后灌水，有本質的不同。再者，作者對于wiberg方法有深入的認識，一般的人即是看到該方法，或淺嘗輒止，因為畢竟不能夠直接的運用，而本文的作者卻架起一座橋梁，把wiberg方法移花接木到L1 norm下面并，并取得良好的效果，這和機械拼湊方法境界完全不一樣。可見，基礎扎實，善于思考也是很重要的。
由于聽過作者的報告，雖然我不是做增強現實的，但對他的報告印象很深，他們的工作做得十分踏實，圍繞著增強現實的各種問題都有不錯的工作，本文的研究正是他們工作的產物，從文章中論述的問題來看，幾點都切中要害，首先是有missing Data，然后是說L2 norm下對outlier的敏感等等。雖然該文章論述的是L1 norm目標函數求解，但是作者并沒有像很多人一樣，動不動搬一些“sparce”之類的名詞出來顯示其所站高度，也沒有牽強的說他的問題符合某某假設，所以用某某方法是好的云云，而是盡可能的照顧讀者，讓讀者了解這個工作有啥意義，為啥要這么做，這么做有什么問題等。
作為一個迭代的方法，作者毫不掩飾的說這個還沒能證明一定收斂（當然很多迭代方法難以證明其收斂），但是實驗數據盡可能給出詳細，全面的結果，不僅比較了在人造數據集上的結果，還比較了在真實數據集（重構恐龍模型）上的結果，同時也給出了每次迭代運行時間的比較，收斂的誤差比較等等。且使用的數據集都是比較常見的，為大眾認可的。
綜合看來，這個文章的優點是切中實際需求，具有較好的創新型以及較為可信的實驗結果。對于一般的人來講，往往是知道問題的形式，然后找方法來解決，然后通過修飾數據，或者只比較某些指標，或者在實驗中限定對自己有利的環境等等來發文章，這種情況的產生當然和外部的壓力，環境，所從事的方向有關，但是見微知著，從這篇文章里面可以獲得些許啟發，不一定是搞科研，思考其他的問題同樣有所裨益。
附件：
翻譯.pdf
robustl1_eriksson.pdf