关于ADM和高维空间下距离度量的问题

最近聆听了两个IEEE FELLOW的高论。周末北大林老师来学校做了个报告，讲了很多新的机器学习概念。但是本人更关注的低秩学习，林老师只字未提。虽然如此，林老师的论文最近还是深入研究了很多，有多少改进的空间先不说，一篇LADMAP就需要看好几篇论文甚至回溯到十几年前的一些论文。或者说，当目标函数中有多个要求的变量的时候，一般采用ADM方法。但是一般会选用ADM的改进方法，比如11年林老师的ALADMAP方法。然而光看这篇也不能看懂，因为算法中又使用了林老师10年的一篇论文的方法，简单说就是一个低秩学习的约束条件。不过这个约束条件，也许大牛们觉得不屑于用文字在论文里解释两行吧。。不过还是要感谢林老师提供了fast版的开源程序。

总之，低秩似乎还是在说降维的事。那么降维是为了加快计算是显而易见的，还有没有其他原因呢。

d为特征空间的维度，当其趋于无穷大时，距离测量开始失去其在高维空间中测量不相似性的有效性。这样，就需要寻找合适的度量，或者降维。

另一个问题就是惩罚项的问题。正好遇到北辰新聘的墨尔本的客座IEEE FELLOW，于是专门问了一下这个事。加惩罚项没关系，关键是损失函数和惩罚项要匹配，或者说这样凑成的目标函数之前有标准的被证明是凸的问题。再就是神经网络中如果增加惩罚项，也要考虑看相应的论文再采用能用的惩罚项策略。