Mar, 2015

稀疏编码的简单、高效、神经算法

PDF
TL;DR本文提出了一套通用的框架用于理解交替最小化原理并分析已有的稀疏编码算法，同时设计了具备可证明保障的新算法并在简单的神经结构上实现；给出了首个高效的稀疏编码算法，可以接近或超过用于不相关字典稀疏恢复的信息理论极限，同时改善了现有方法的样本复杂度。
sparse codingbasis learningalternating minimizationneural architecturessample complexity
发现论文，激发创造
  • 可证明准确的双稀疏编码

    本文介绍了一种简单的算法来进行双稀疏编码，并证明了其在样本复杂度和运行时间上具有优势，同时支持了多项数据模拟实验来验证该算法的实用性。

    Nov, 2017

  • 凸编码

    本论文基于凸聚类的最新研究工作，提出了一种用于稀疏编码问题的新公式，通过凸松弛稀疏编码问题并导出增强算法解决局部最小值问题，并将其成功地应用于图像去噪任务中。

    May, 2012

  • 稀疏编码：利用无标签数据进行高级表示的深度学习

    利用高级别表示数据来帮助无监督学习任务的稀疏编码算法，通过 L1 正则化凸优化算法从无标签类别的高级别表示数据中推导出的优化解，以此描述使用稀疏编码的深度学习算法。

    Apr, 2014

  • 稀疏且伪像：带有噪声与离群点的字典学习

    本篇论文采用概率模型，证明了采用稀疏编码时在字典生成的参考信号附近可以找到局部极小值，同时考虑过完备字典、噪声信号和可能出现的异常值，这一分析是非渐近的，可以帮助理解信号维度、原子数量、稀疏度和观察次数等关键问题如相干性或噪声级别的比例关系。

    Jul, 2014

  • 稀疏建模在图像和视觉处理中的应用

    本文介绍了关于稀疏模型及其应用的多学科研究，主要涉及模型选择、稀疏编码、图像识别和图像处理等领域。本文针对数据的学习和适应性字典，提供了一种自包含的稀疏建模方法，已在各种领域中获得成功应用。

    Nov, 2014

  • 自适应学习的稀疏编码算法

    本文提出了自适应稀疏编码（Self-Paced Sparse Coding，SPSC）框架，可逐步从简单到复杂地包含矩阵元素到编码学习中，以提高其学习鲁棒性并推广到不同层次的自适应学习。试验结果表明了该算法对于处理真实数据的有效性。

    Sep, 2017

  • 矩阵分解与稀疏编码的在线学习

    本文主要介绍了一种新的基于随机逼近的在线优化算法，用于解决以学习基础集合和将其适应特定数据为主的大规模矩阵分解问题，其在各种矩阵分解方面有良好的表现，并在自然图像和基因数据上进行的实验中具有速度和优化方面的先进性能。

    Aug, 2009

  • 稀疏编码算法中的快速推理及其在物体识别中的应用

    该论文提出了一种简单有效的自适应稀疏编码算法，其可以学习到一组可能过度完备的基函数，通过这些基的线性组合可以重构自然图像块。这种方法可以应用到视觉物体识别任务中，并且可以得到比精确稀疏编码算法更加准确的结果。

    Oct, 2010

  • 稀疏字典学习在噪声存在下的局部稳定性和鲁棒性

    本文采用概率模型研究了稀疏编码的本地最小值问题，在考虑超完备字典和有噪信号的情况下，证明了稀疏编码接近参考字典生成的信号的局部最小值，同时分析了噪声、信号维度、原子数量、稀疏度和观察数量等关键量如何随之缩放。

    Oct, 2012

  • 数据隐藏有助于稀疏编码：探究掩模方法的好处

    本文研究了在存在噪声的情况下，字典学习目标函数最小化可能无法恢复实际字典，在此基础上，提出了一种新的掩模目标函数，并证明了最小化此新函数可以恢复实际字典。实验证明，这种新的目标函数比标准的重构目标函数具有更好的经验性能。

    Feb, 2023