通过重建时变图信号恢复丢失的传感器数据
我们提出了一个图信号模型,并将信号恢复任务转化为对应的优化问题,通过交替方向乘子方法提供一般解决方案,然后展示了信号修复、矩阵完成、鲁棒主元分析和异常检测等都与图信号恢复有关,提供了相应的特定解决方案和理论分析,最后在在线博客分类、桥梁状况识别、温度估计、推荐系统和在线博客分类专家意见结合等实际恢复问题上验证了所提出的方法。
Nov, 2014
通过方法的块连续上界最小化(BSUM)算法,从以下数据中学习一个图并恢复信号:来自不完整的时间序列观测的图、未知的底层图模型及信号。这个算法在合成和真实时间序列的模拟结果中展示了图学习和信号恢复的性能。
Dec, 2023
本篇论文主要介绍了一种分布式最小二乘重建算法,用于重建基于样本选择节点中的时间变化的带限图信号。该算法可以追踪时间变化的图形信号,对于时不变信号可以完美地重建,并在合成数据和实际传感器网络数据上进行了实验验证。
Feb, 2015
本文概述了关于图信号采样和恢复的最新进展,包括完美恢复带限图信号的条件、减轻噪声和模型不匹配效应的采样设计标准、自适应恢复和跟踪动态图信号的算法和最优采样策略,以及图信号处理方法在采样、插值和跟踪不规则域信号方面的潜在优势。
Dec, 2017
本文引入了本地集概念,并提出了两种基于本地集的迭代方法,用于从采样数据中重建图信号的带限信号。该方法基于帧理论和本地集概念,提出了几个帧和收缩算子。通过计算机模拟实验,证明了这些算法的有效性。
Oct, 2014
该论文提出了一种基于注意力机制的体系结构,可以在处理高度稀疏的时间序列数据时提高自动编码器的鲁棒性,达到填充(imputation)缺失值的目的。
May, 2022
本研究主要关注于对于图中罕见边特性的稀疏向量信号进行压缩感知,通过纵向联通路径下的加性测量可以以 O (k log n) 的时间复杂度实现对于 k - 稀疏链接向量的恢复,并且借助 L1 正则化可以有效地推断在图中进行 O (k log n) 路径测量的 k - 稀疏向量。
Aug, 2010
本研究提出了一种基于压缩感知的框架来重建随机扩散动力学下的复杂网络,并应用到模型和真实网络中。研究表明,从少量二元数据可以实现不均匀交互的全面重建。此外,该方法还可以确定并高度可信地定位隐含的触发扩散过程并在其外部不可访问的源,从而为追踪和控制复杂网络系统中的流行入侵和信息扩散建立了一个范例。
Jul, 2014