贪心特征选择用于子空间聚类
本文研究 SSP-OMP 和 SSP-MP 两种算法在噪声数据情况下的表现,证明其能够在子空间相交且受到严重噪声污染数据的情况下成功进行聚类,并可以自动检测数据子空间的维度。SSP-MP 在比较聚类性能和运行时间方面表现非常优异。
Dec, 2016
本文介绍了一种新型的半贪心恢复方法 ——A * 正交匹配追踪算法(A*OMP),它在树上执行 A * 搜索,寻找最稀疏的解决方案,并提供可调的搜索参数以进行复杂度与准确性的平衡。我们使用高斯和 Bernoulli 观测矩阵在合成数据和图像上演示了所提出方案的重构能力,其中 A*OMP 产生的重构误差比 BP,OMP 和 SP 低,并且具有更高的精确恢复频率。实验结果表明新颖的动态代价函数相对于传统选择提供了更好的结果。
Sep, 2010
提出一种新的稀疏信号重构方法 —— 子空间追踪算法,该算法具有较低的计算复杂度,能够在稀疏信号情况下实现精确的重构,同时能够在噪声环境下实现较低的重构误差。
Mar, 2008
本研究提出一种名为 generalized OMP 的方法,是针对稀疏信号重建效率进行的 OMP 算法推广,每次迭代找到多个正确的索引进行选择,相比于 OMP 算法,gOMP 算法迭代次数更少,且可以重建任何 K 稀疏信号,且仿真结果表明 gOMP 算法是一种高效的信号恢复方法,具有与 L1 极小化技术类似的恢复性能。
Nov, 2011
该论文对 Orthogonal Matching Pursuit (OMP) 进行改进,提出了一种快速算法和一种新的选择准则,从而减少信号恢复所需的迭代次数和计算时间,并给出了精确恢复的充分条件及近似误差的界限。
Mar, 2024
详细分析了正交匹配追踪(OMP)在强化学习中的可行性和效率,同时与 $L_1$ 正则化方法进行比较,并提出了支持特征字典假设的 OMP-BRM 变体和在近似准确度和效率方面优于先前方法的 OMP-TD 变体。
Jun, 2012
我们提出了一种基于集合 K 子空间 (EKSS) 的几何方法,该算法通过证据积累聚类框架,形成一个共同关联矩阵,该矩阵的 (i,j) th 项是由多次运行具有随机初始化的 KSS 聚类算法将点 i 和 j 配对在一起的次数。我们表明,当一个算法形成的亲和力矩阵的具有和绝对内积的单调变换接近的条目时,该算法可以提供恢复保证。
Sep, 2017
本文介绍了一种基于正交匹配追踪(Orthogonal Matching Pursuit, OMP)的子空间聚类方法,证明了其具有计算效率高和广泛应用性的子空间保持相似度保障,使用合成数据验证了理论分析,并在手写数字和人脸聚类方面表现出了最佳的精度和效率之间的平衡。
Jul, 2015
本文探讨了非线性结构化信号模型的采样问题。我们发展了一种通用的框架,用于从给定的样本集合中稳健且高效地恢复这样的信号,特别关注 $x$ 可以表示为 $k$ 个子空间之和的情况。我们提出了一个混合 L2/L1 程序进行块稀疏向量恢复,并提出了一个基于块限制等距性条件的等效性条件,若满足该条件,可以确保恢复原始信号,并证明了我们的方法在存在噪声和建模误差的情况下具有稳定性。
Jul, 2008