Jan, 2015
基于信息论的概率模型支持恢复限制
Limits on Support Recovery with Probabilistic Models: An Information-Theoretic Framework
Jonathan Scarlett, Volkan Cevher
TL;DR该论文采用阈值技术中的概率模型，探讨了对于一组观测数据与数据向量之间的关系的支持恢复问题。该论文提出了通用的可行性和对偶性边界，为线性、1 位和组测试模型提供了特定的可行性和对偶性边界。
Abstract
The support recovery problem consists of determining a sparse subset of a set
of variables that is relevant in generating a set of observations, and arises
in a diverse range of settings such as compressive sensing, and subset
selection in regression, and →
support recoveryprobabilistic modelsinformation-theoretic limitsthresholding techniquesgroup testing
发现论文，激发创造
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
近似稀疏模式恢复：信息理论下界
本文考虑了高维设置下的稀疏向量，研究在测量速率和样品的信噪比为有限常数的情况下，稀疏模式估计的误差比例将为常数分数，并且通过与现有可实现界的比较，建立了在比例误差和信噪比的功能下的范围上限。
Feb, 2010
压缩感知中稀疏模式恢复的采样率 - 失真平衡
该论文主要研究压缩感知中从有限数量的噪声线性测量数据中恢复稀疏矢量的支撑模式的问题，并通过不同恢复算法的关键参数给出了达到所需误差分数所需的测量速率的界限，同时针对各种实用信号模型证明了界限的紧密性和在一定程度上的近最优性。
Jun, 2010
自适应压缩感知用于结构化稀疏集合的支持恢复
本文研究自适应压缩感知的结构化信号支持恢复问题。我们研究了几类结构化支持集，表征了通过压缩测量准确恢复此类集合的基本限制，并同时提供了表现接近最优的自适应支持恢复协议。我们表明，通过自适应设计传感矩阵，我们可以获得比非自适应协议更显着的性能增益。这些增益源于自适应感知可以更好地减轻噪声的影响，并更好地利用支持集的结构。
Oct, 2014
高维单指数模型的支持恢复和 L1 正则化最小二乘估计 (Gaussian Designs)
本研究针对一类单指数模型，在不同的数据分布和假设条件下分别采用切片逆回归、LASSO 以及协方差筛选等算法，实现对支持集的恢复，并对 LASSO 用于线性模型的支持恢复结果进行推广。
Nov, 2015
关于从带噪声的线性测量中恢复树稀疏向量的基本限制
本文探讨了通过 Tree-sparse 信号的自适应传感和结构稀疏融合的压缩感官技术在支持恢复任务中的性能极限。结果表明，这种自适应树传感过程几乎是最优的。
Jun, 2013
一种从线性样本混合中恢复稀疏信号的方法
本文提出了有效的算法解决了学习混合线性回归模型中的模型恢复问题，即有多少次查询可以同时恢复两个不同的稀疏线性模型，这也可以被看作是压缩感知问题的推广。
Jun, 2020