发表时间：2013（NIPS 2013）
文章要点：这篇文章提出了一个online robust PCA算法。在online case下，需要根据数据流不断更新Principal Component，但是数据流里面可能有异常值，如果不剔除就会影响Principal Component的估计效果。作者的想法是来了一个sample之后，先根据当前的Principal Component张成的子空间去计算一下这个sample的距离
这里的距离其实像是一个余弦距离，所以如果太小，就可以认为是异常值。不过作者计算这个值并不直接设置阈值剔除，而是根据概率来接受或者拒绝。这里有个normalized的假设，所以这个值在0-1之间，就可以当成采样的概率来用，伪代码里用(delta_i)表示。如果不是异常值（authentic samples），(delta_i)就会比较大，被接受的概率就大，如果是异常值（outlier），(delta_i)就会很小，被接受的概率就会小。然后就用接受的样本去做online PCA的更新。然后整个流程一直做下去。
总结：很不错的思路，感觉貌似所有的robust的估计都会用相似的想法做一下，就是先排除一些异常值，然后去做更新。
疑问：文章里面第一个PCA的计算会严重依赖第一个batch的样本，这个batch里的异常值是没有被剔除的，对初始Principal Component的估计会不会影响很大？
证明没看。