受 AMP 启发的深度网络在稀疏线性反问题中的应用
本文提出了一种新颖的神经网络架构,通过 Onsager 校正的方式在层间解耦预测误差,以应用深度学习于稀疏线性反问题中,数值实验表明,与 Gregor 和 LeCun 的 “learned ISTA” 网络相比,我们的 “Learned AMP” 网络在精度和复杂性方面均有显著提高。
Jul, 2016
通过借鉴稀疏信号恢复算法的思想并结合神经网络,提出了一种名为 LDAMP 的新网络结构,有效应用于各种测量矩阵中,并在图像恢复的准确性和运行时间方面优于现有算法。
Apr, 2017
本文提出了一种新算法 ML-VAMP,用于多层随机神经网络推理,可配置为计算最大先验或近似最小均方误差估计,具有高维随机极限下的精确预测及可测试最优性条件,提供了一种计算方法,可在大型系统极限下进行多层推理并实现最小均方误差预测。
Nov, 2019
提出了一种新的低成本迭代参数估计技术 - MAMP,通过长记忆匹配滤波器来抑制干扰并具有与 AMP 相媲美的复杂度,在所有右单位矩阵中,经过优化的 MAMP 收敛于 OAMP/VAMP,并因此成为最优贝叶斯估计。
Jun, 2021
本研究研究了一类适用于具有正交不变噪声的对称和矩形钉子随机矩阵模型的近似消息传递(AMP)算法,并使用贝叶斯方法介绍了一个 Bayes-OAMP 算法。
Oct, 2021
本文提出一种基于去相关线性估计和无发散非线性估计的正交 AMP 算法,并推导出适用于各种酉不变矩阵的状态演化过程,数值结果表明该算法在病态矩阵情况下比 AMP 更有优势。
Feb, 2016
本文提出了一种基于正交性原理的 MAMP 框架,其中包括一个用于干扰抑制的长记忆匹配滤波器,能够解决 AMP 和 BO-OAMP/VAMP 的缺陷,同时保证 BO-MAMP 的性能是渐近独立的同分布高斯分布,且其状态演化与高复杂度的 BO-OAMP/VAMP 的状态演化一致。
Dec, 2020
本文应用统计物理的标准方法,提出了多层近似信息传递算法来重构一个信号从多层(可能是非线性的)测量中,并推导出相关的状态演化方程来分析其性能。文中还介绍了一些这种测量模型在压缩感知、结构化矩阵 / 模式下的感知器学习以及自编码器中潜变量估计的应用。
Jan, 2017
本文提出了一种基于 Conjugate Gradient 的算法 CG-VAMP,用于高效解决压缩感知相关的线性反问题,通过热启动方案和理论模型的调优,实现了稳定和高效的大规模图像重建。
Nov, 2020