通过稀疏幂分解实现一类稀疏低秩矩阵的近最优压缩感知
本文研究的是如何恢复一个结构化模型的问题,我们探讨了使用多目标优化得到的结果与只利用其中一个结构的算法的结果相当的现象。此外,我们还详细研究了稀疏低秩矩阵恢复问题所需的样本数,证明了本文提出的非凸公式在这种情况下表现比凸公式更好。
Dec, 2012
使用凸优化方法,本文针对低秩矩阵加已知压缩矩阵与稀疏矩阵的叠加,建立了确定性条件,恢复了低秩矩阵和稀疏矩阵,对网络异常检测等问题具有重要应用价值。
Apr, 2012
提出了一种基于新原子范数的凸形式,用于稀疏矩阵分解问题,其中假设因子的非零元素个数是固定和已知的,可应用于稀疏 PCA,子空间聚类和低秩稀疏双线性回归等。使用主动集算法解决了该凸问题。
Jul, 2014
本文发展了使用分布式算法解决低秩矩阵加上压缩矩阵与稀疏矩阵乘积的分离任务,建立了分布式稀疏正则化秩最小化的算法框架,其中采用核范数和 l1 范数用作所需矩阵的秩和非零条目数的替代,使用交替方向乘法的分离算法来最小化经过采样和压缩的数据的秩和 nonzeros,从而解决了一些网络优化问题。
Mar, 2012
本文研究了压缩感知问题,提出了一种基于二阶锥的优化方法,该方法在证明一定正则参数条件下与基础凸优化问题等价的前提下,求解具有优良效果的稀疏向量,该方法相较于当前最优方法具有更高的稀疏性和更低的重构误差
Jun, 2023
本文提出了一种鲁棒且高效的压缩相位恢复方法,通过收集稀疏向量的多个线性测量值的幅值,利用约束感知向量和两阶段重建方法来重构目标信号,在随机不连贯子空间中选择感知向量后,通过低秩恢复阶段和稀疏恢复阶段的策略来准确地估算目标信号,该算法的测量数级别达到 O (k log (d/k)),在数值模拟中得到了验证。
Jul, 2015
该论文研究了对一组 $n$ 个时间域样本的小型随机子集中的谱稀疏信号的恢复问题,声称使用一种名为结构化矩阵完成(EMaC)的新算法,该算法通过核范数最小化的方式,通过把数据排列成低秩增强形式来进行恢复,并展示了其对低秩多重 Hankel 或 Toeplitz 矩阵的恢复能力。
Apr, 2013
该研究提出了一种新的低秩矩阵恢复方法,采用非平滑惩罚形式,在某些具体情况下能够克服传统平滑方法的病态问题,同时具有自适应性和鲁棒性。数值实验说明了该方法在解决相位恢复、盲卷积、矩阵补全和稳健 PCA 等计算任务中的优势。
Apr, 2019