通过凸规划从二次抽样中精确稳定地估计协方差
本研究提出了一种基于牛顿法的新型算法,用于解决优化问题,该问题是一个正则化的对数行列式程序,能够从非常有限的样本中恢复稀疏逆协方差矩阵,或者是高斯马尔科夫随机场的基础图结构,并通过合成和真实的应用数据实验结果表明,与其他最先进的方法相比,我们的方法在性能上有了显着的改进。
Jun, 2013
本文介绍了一种可行的方法,利用梯度下降并结合谱初始化逼近正半定秩为 r 的矩阵 X X^T,并证明了在高斯分布下均匀采样 m >= Cnrlog^2 (n) 个样本时,可以在有很高概率下找到初始点,从而使梯度下降能收敛到正确结果。
Jun, 2015
本文针对 $m<<n$ 的欠定情况,在优化变量上施加先前的结构信息,将恢复问题形式化为非凸优化问题,并证明了在任何不变约束集下,投影梯度下降收敛于未知信号的线性速率,这为此数据贫瘠的场景提供了第一个可证实的算法,为理解约束非凸优化启发了强有力的工具,其数学结果为数据驱动的相位成像系统开辟了一种新的方向。
Feb, 2017
本文介绍了一种简单的过程来解决高维数据的缺失协方差矩阵估计问题,该方法不需要对缺失数据进行插补,并建立了非渐进稀疏奥尔克不等式,最后证明了其速率是渐进最优的。
Jan, 2012
本文基于凸规划方法,从独立随机线性测量中恢复结构信号,为采样复杂度提供类似于标准高斯测量的界限,并发掘该方法的实际应用,包括一项关于痕范数最小化的相位恢复分析。
May, 2014
研究压缩感知的一般框架,提出了一种非线性测量的自然推广方法,并证明了通过这些测量可以有效地计算和恢复稀疏信号。提出了三种算法,其中包括一种称为广义 OLS 的贪心算法,以及两种硬和软阈值迭代算法的自然推广方法,并证明了这些算法对于基于 Lipschitz 扰动的 RIP 矩阵的非线性测量具有强的恢复保证。
Nov, 2013
提出了一种新的框架,以将鲁棒性的凸松弛算法修改为满足适当参数规范的强最坏情况稳定性保证。通过这一框架,提出了一个可以在存在恶意数据干扰下实现微分隐私的高阶矩的鲁棒估计的算法,包括均值和协方差的估计。该算法成功地应用于成族分布,并在适当参数范数下提供恢复和维度参数的从容保证。
Dec, 2021
使用强污染模型的泛用框架,以高效且可靠的算法逼近具有维度无关的精度保证的二阶稳定点,可应用于含异常值的优化问题,特别在低秩矩阵感知中表现出鲁棒性,并证明了样本复杂性与维度存在二次依赖关系的统计查询下界。
Mar, 2024
该研究针对一种形式的行 / 列加权采样的矩阵完成问题进行了分析,提出了一种基于 $M$-estimator 的技术,通过对解的秩和 spikiness 同时进行控制,在加权 Frobenius 范数下建立了一些误差界限,其中关于矩阵的 “spikiness” 和 “low-rankness” 的度量比以前的工作限制更少。
Sep, 2010