层次张量表示中的张量补全
本文研究了如何从少量线性测量中恢复高阶的低秩张量,介绍了几种张量分解的迭代硬阈值算法,并探讨了其收敛性,界限和性能,考虑了高斯随机测量、张量补全和傅里叶测量等不同情形。
Feb, 2016
介绍了一种基于混合线性建模和子空间聚类技术的自适应、多尺度张量分解方法,旨在降低大型和多模态数据的维度和表示复杂度。该方法在多个真实张量信号的维数约简和分类问题中表现良好。
Apr, 2017
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
本文探讨压缩感知技术中的迭代硬阈值算法的理论分析,证明该算法具有近乎最优的误差保证、鲁棒性、最小的观察数、可用于任何可计算其算符和伴随算符的采样算子、线性问题大小的内存要求、迭代计算复杂度与测量算子或其伴随算子的应用次序相同、仅取决于信号信噪比的形式的对数的一种形式的迭代次数、性能保证仅取决于采样算子和信号稀疏性的特性。
May, 2008
本研究提出了一种基于交叉测量方案的低秩张量完备性方法,可从噪声测量中恢复出高阶低秩张量,其样本复杂度匹配样本复杂度下限,并在神经影像学数据中进行了演示。
Nov, 2016
该研究提出了一种基于低秩结构的多维压缩感知重构公式,证明了在只采用两种选择的测量方式下可以恢复目标数据张量,讨论了阈值参数对误差控制的影响,并给出了一种快速计算的非迭代算法,实验证明该方法的性能稳定且鲁棒性强。
May, 2014
首次提出了一种新的增强矩阵完成(EMaC)算法,它使用多倍 Hankel 结构将数据排列成低秩增强形式,能够恢复具有谱稀疏性的对象,其底层频率可以在单位圆中具有任何值,该算法对有限噪声和超分辨率具有去噪和应用优势。
Apr, 2013
本文证明了低秩密度矩阵可以使用更少的采样次数进行压缩测量,而未知低秩状态可以使用压缩感知和矩阵完成技术从不完整的测量中重建,并可使用 Pauli 测量进行认证。最终,我们描述了一种方法,可以使用直接保真度估计进行低秩估计的准确性认证,并且可以用于 Kraus 秩较小的压缩量子过程层析测量。
May, 2012