Dec, 2014

在存在辅助信息的情况下，根据低维特征对高维信号进行分类和重建

PDF
TL;DR本研究考虑通过低维特征提取高维信号的分类与恢复问题，研究了侧信息对于高维信号恢复的影响及其本质极限，其中使用高斯混合模型描述信号与侧信息之间的关联关系并分析了该模型的近似低秩结构。
发现论文，激发创造
  • 使用特征副信息调整非线性模型

    本文提出了一种框架，通过控制学习模型的结构以反映特征之间的相似性，并利用特征旁路信息来提高模型预测性能，实验证明该方法在多个基准数据集上均获得了显著的预测性能提升。

    Mar, 2017

  • 聚类、稀疏 PCA 和子矩阵定位中的信息论限制和相变

    研究了检测结构化低秩信号矩阵被加性高斯噪声污染的问题，包括在高斯混合模型中的聚类， 稀疏主成分分析和子矩阵定位。通过将第一和第二时刻方法应用于这些 “种植模型” 和零模型之间的似然比来导出阈值的上下界，我们证明了在信号矩阵过于微弱时没有任何算法可以检测其信号。

    Jul, 2016

  • 高维噪声环境下稀疏恢复的信息论极限

    探讨了在不同应用场景下，基于高斯采样模型的信息理论稀疏模式恢复问题，给出了必要和充分条件，证明用 Lasso 算法能够实现一定精度上的稀疏模式恢复。

    Feb, 2007

  • 大规模生成模型的最优空间反褶积和信息重构

    本文介绍了一种基于人工智能普适性原理的单变量信号反卷积方法，该方法基于生成模型，结合信息论和算法概率，旨在研究非随机数据如何编码关于物理特性的信息，可用于编码理论、密码学、信号处理、因果反卷积、生命学和技术特征检测等领域。

    Mar, 2023

  • 非线性观测下具有一般凸损失函数的结构信号的高维估计

    本研究提出了一个通用且统一的信号重构框架，可以解决高维信号重构中的各种挑战，包括计算感知、信号处理和统计学习等领域，特别是对于不确定的模型不准确性，我们提供了进一步证据，解释为何许多标准估计器在实践中表现出奇异的性能表现。其中我们证明，如果观测值的个数超过了信号分类的有效维度的数量，那么由非线性和嘈杂的 Gaussian 观测值估计出的信号可以达到与理论最优解相同的准确度。

    Feb, 2016

  • 使用深度卷积充分统计量进行超分辨率

    本文提出了一种基于 Gibbs 分布的条件模型，其充分统计量由深度卷积神经网络给出，用于图像超分辨率问题，并证明了该方法可在其他具有挑战性的不适定问题中使用，例如音频带宽扩展。

    Nov, 2015

  • 具有侧面信息的压缩高光谱成像

    本研究提出了一种盲压缩感知算法，可以从光谱压缩测量中重建高光谱图像，并使用 RGB 图像作为辅助信息来改善重建质量。实验结果验证了该算法的有效性和液晶 - 硅调制器相机的可行性。

    Feb, 2015

  • 高维平滑熵估计：基于降维技术

    研究高斯卷积下微分熵估计的样本复杂性问题，通过使用主成分分析方法解决了在数据维度指数级增长时估计微分熵的缺陷，并提出在深度神经网络中使用低维度 PCA 方法对信息流进行研究的应用，对噪声卷积神经网络的 MNIST 分类问题进行了实验验证。

    May, 2023

  • 具有附加信息的 Top-N 推荐的集体变分自编码器

    该论文提出了一种利用变分自编码器从辅助信息中学习特征表示和同时恢复用户评分和辅助信息的方法，相较于现有的基于辅助信息的推荐方法，其具有更高的效果

    Jul, 2018

  • 线性与非线性观测的稀疏信号处理：一种统一的香农理论方法

    在本文中，我们使用渐近信息理论分析，为线性和非线性观测模型包括稀疏回归、分组测试、多元回归和存在缺失特征的问题，推导了恢复稀疏和结构化信号的基本样本复杂度界限，为一般稀疏信号处理模型提供了足够和必要的条件。

    Apr, 2013