本文成功应用了 CSGM (Bora-Jalal-Price-Dimakis'17) 框架于临床 MRI 数据上,通过训练大脑扫描图像来生成先验分布,进而使用 Langevin 动态采样实现高质量的重建,在实验中表现出对真实分布和测量过程的鲁棒性。
Aug, 2021
本文介绍了一种通过神经网络的深度生成模型来提供低维参数化图像或信号流形的方法, 证明了其在噪声的压缩感知方面的收敛算法,其样本复杂度与先前的稀疏方法相比具有线性的优越性和改进的潜力。
Dec, 2018
本研究研究了来自已知先验分布的信号的压缩感知的测量复杂性,即使先验的支撑是整个空间(而不是稀疏向量)。对于高斯测量和信号上的任何先验分布,我们展示了后验抽样估计器可以实现近乎最优的恢复保证,在模型不匹配的情况下,只要分布估计(例如,从可逆生成模型中)与 Wasserstein 距离中的真实分布接近。我们使用 Langevin 动力学为深度生成先验实现了后验抽样估计器,并实验性地发现,它产生的准确估计具有比 MAP 更多的多样性。
Jun, 2021
在机器学习中,使用贝叶斯后验概率分布作为模型参数可以避免过度拟合,Stochastic gradient Langevin dynamics (SGLD) 是一种近似贝叶斯后验概率分布的算法,使用易于计算的 Fisher 矩阵近似,使用 Fisher 矩阵预处理可以用于大型神经网络中,并将 SGLD 与 dropout 类似的正则化技术相结合以减少过拟合。
Dec, 2017
本研究使用生成对抗网络(GAN)代替稀疏性等手工先验知识来解决线性反问题,提出了一种有效的 PGD 算法,并提供了理论保证,该算法展现出优于现有方法的性能。
Feb, 2018
利用神经网络生成模型进行压缩感知的背景信号重建,并通过模拟数据评估了提出的算法。
Oct, 2023
研究使用生成模型在压缩感知中提出了一种新的方法 Sparse-Gen, 允许在支持集之外的空间上进行稀疏偏差,从而实现使用特定于领域的先验并允许完整的信号空间内的重建。与其他方法相比,该方法在重建准确性方面有着显著的改进,特别是在迁移压缩感知中应用生成模型于数据稀缺目标领域时。
Jul, 2018
本文比较了不同的预处理方法以规范噪声向量,从混合时间、正则化效果、协变量漂移检测和对抗样本抗干扰性等方面对其进行了评估。
Jun, 2018
通过生成模型的范围,无需使用稀疏性,基于 Lipschitz 连续性,提出了一种新的压缩感知算法。与 Lasso 相比,可以使用更少的测量来获得相同的精度。
Mar, 2017
本文提供了一种用于反向学习的被动随机梯度 Langevin 动力学 (PSGLD) 算法的有限样本分析,并提供了 2-Wasserstein 距离的有限时间界限来衡量算法和基于前向学习的随机梯度算法之间的性能。
Apr, 2023