混合线性测量下稀疏信号的支持恢复
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
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。
Jan, 2015
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
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
本文通过随机线性测量得到的 O (s log^2 (n/s)) 个标志位，利用线性规划，从稀疏向量中精确恢复出 s-sparse 向量 x，进而将结果推广到了近似稀疏的向量 x。文章以解决随机超平面填充的等效几何问题为基础，并且该方法几乎是最优解。
Sep, 2011
研究如何通过几个稀疏信号线性测量（与一些固定向量的内积）的结果精确重构出稀疏的信号，并考虑了两种测量方法：高斯测量和傅里叶测量。通过几何函数分析和 Banach 空间中的随机性证明了这两种方法的最佳测量数量。
Feb, 2006
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
本文介绍了稀疏信号恢复的两种算法方法：几何和组合。我们提出了一种统一这两种方法的新方法，通过高质量不平衡扩展器的邻接矩阵来推广受限等距性质的概念，并展示了新的测量矩阵构造和算法，比先前的算法在测量数量或噪声容忍度上具有更好的表现。
Apr, 2008