本论文提出了一个新的变换学习框架，其中稀疏变换是一个不可降采样的完美重构滤波器组设定，数值结果表明，滤波器组变换优于现有的基于图像块变换学习方法，同时在设计过程中具有额外的灵活性。

Mar, 2018

本文研究基于稀疏性的模型和技术在信号处理和图像应用中的应用，提出了针对特定结构的稀疏化运算符学习问题的交替最小化算法，并对其收敛性进行了分析，证明了在某些假设下，该算法收敛于数据的基础稀疏化模型。同时，数值模拟表明该算法对初始值具有较强的鲁棒性。

May, 2018

本文研究了稀疏性转换模型的学习，并提出了交替算法以实现稳健的方阵。研究结果表明，与合成 K-SVD 相比，转换学习在图像降噪中具有良好的性能和显着的加速度。

Jan, 2015

本文介绍了一种新的基于裁剪小波分解的算法，可以用于更大尺寸的图像处理和信号处理，并结合在线稀疏字典学习算法进行自适应字典训练，得到大的可适应原子 - trainlets。

Jan, 2016

我们的研究论文提出了一种新的稀疏变换模型，通过对学习到的变换的数据表示质量和条件数进行显式控制，有效地改善了数值行为。

Mar, 2024

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

本文提出了一种新的稀疏表示模型，该模型采用共享字典和多个类别判定函数来描述不同类别的信号，并提出了学习该模型所有组件的优化方法，进一步提高了手写数字和纹理分类任务的准确性。

Sep, 2008

深度学习在通信系统中的成功应用使得深度神经网络成为信号分类的首选方法。然而，这些模型通常具有高计算复杂度和大的模型尺寸，这阻碍了它们在通信系统中的实际部署。为解决这个挑战，我们提出了一种新型的层剪枝方法，通过将模型分解成几个连续的块，每个块包含具有相似语义的连续层，然后根据层的贡献确定每个块内需要保留的层，最后重新组装剪枝后的块并对紧凑模型进行微调。对五个数据集进行的广泛实验证明了我们的方法在各种最新基准方法（包括层剪枝和通道剪枝方法）上的高效性和有效性。

Jun, 2024

本文研究了在多任务和迁移学习中使用稀疏编码和字典学习，通过对高维或无限维空间中的字典的原子的稀疏线性组合进行假设，以及多任务和迁移学习设置中大量可用的数据，我们提供了该方法的泛化误差上限，并在一个合成和两个真实数据集上进行了数值实验。实验表明相对于单任务学习和以正交和密集表示任务的先前方法以及相关方法来说我们的方法具有优势。

Sep, 2012

通过实验证明机器学习模型的机制使得 transformer 架构的激活图稀疏化，进而提出一种可以显著降低计算量并提高效率的方式。

Oct, 2022