Feb, 2023

数据隐藏有助于稀疏编码：探究掩模方法的好处

PDF
TL;DR本文研究了在存在噪声的情况下，字典学习目标函数最小化可能无法恢复实际字典，在此基础上，提出了一种新的掩模目标函数，并证明了最小化此新函数可以恢复实际字典。实验证明，这种新的目标函数比标准的重构目标函数具有更好的经验性能。
sparse codinglearned dictionaryover-realizednoisemasking objective
发现论文，激发创造
  • 稀疏且伪像：带有噪声与离群点的字典学习

    本篇论文采用概率模型，证明了采用稀疏编码时在字典生成的参考信号附近可以找到局部极小值，同时考虑过完备字典、噪声信号和可能出现的异常值，这一分析是非渐近的，可以帮助理解信号维度、原子数量、稀疏度和观察次数等关键问题如相干性或噪声级别的比例关系。

    Jul, 2014

  • 稀疏建模在图像和视觉处理中的应用

    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

  • 可证明准确的双稀疏编码

    本文介绍了一种简单的算法来进行双稀疏编码，并证明了其在样本复杂度和运行时间上具有优势，同时支持了多项数据模拟实验来验证该算法的实用性。

    Nov, 2017

  • 稀疏字典学习在噪声存在下的局部稳定性和鲁棒性

    本文采用概率模型研究了稀疏编码的本地最小值问题，在考虑超完备字典和有噪信号的情况下，证明了稀疏编码接近参考字典生成的信号的局部最小值，同时分析了噪声、信号维度、原子数量、稀疏度和观察数量等关键量如何随之缩放。

    Oct, 2012

  • 关于预测稀疏编码的样本复杂度

    本文研究预测性稀疏编码的推广性能，提出了学习界限并通过稳定性特征刻画了稀疏编码器的性质，进而在超完备和高维情况下提供了精确的估计.

    Feb, 2012

  • 监督式字典学习

    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

  • 稀疏编码的简单、高效、神经算法

    本文提出了一套通用的框架用于理解交替最小化原理并分析已有的稀疏编码算法，同时设计了具备可证明保障的新算法并在简单的神经结构上实现；给出了首个高效的稀疏编码算法，可以接近或超过用于不相关字典稀疏恢复的信息理论极限，同时改善了现有方法的样本复杂度。

    Mar, 2015

  • 稀疏编码的字典学习性能极限

    研究稀疏线性组合成为单个大型字典矩阵列的观测信号字典学习问题，采用基于 Fano 不等式的信息论方法思路，解析了该问题的最小化风险下界，用于研究一致字典学习方案所需的观测样本复杂性。

    Feb, 2014

  • 贝叶斯稀疏性和类稀疏性在字典学习和编码中的应用

    字典学习方法在解决复杂的反问题方面不断受到关注。本文提出了一种工作流程来简化字典匹配过程，通过压缩字典和利用贝叶斯框架处理建模误差，以及使用组稀疏编码方法来识别不相关的子字典，然后通过稀疏编码解决匹配问题。证明了字典压缩误差的补偿和使用组稀疏编码方法对原始字典进行缩小的有效性，通过应用到 LIGO 实验和高光谱遥感中的故障检测问题来进行说明。

    Sep, 2023

  • 字典学习何时能从子采样中唯一恢复稀疏数据？

    在本文中，我们提供了确定稀疏编码和字典唯一性的条件，并利用组合矩阵理论推导出保证其唯一性的采样大小的界限，从而使得任何对数据进行稀疏约束学习的算法能够成功地复原原始的稀疏编码和字典，并探讨了其在神经科学和数据分析方面的潜在应用。

    Jun, 2011