图信号的最优恢复
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
本文提出了一种通过解决随机单调变分不等式的问题来缩减 Generalized Linear Models 中的信号恢复问题的途径,解决方法可在计算上得到高效的实现,具有弱化的结构假设,可以追溯到 Rosenblatt 的感知机算法的思想。
Mar, 2019
本文探讨了应用于无惩罚最小二乘回归问题的梯度下降方法的隐式正则化方案,旨在从线性测量的过少的系统中重构出一个稀疏信号,考虑到受限等距假设,我们展示了有一定参数下,预设好的初始化、步长和停机时间能给出一个在统计和计算上都是优的算法,可以在费用与读取 poly-logarithmic 因子的数据一样的代价下,实现极小化率。除了最小化控制,我们还展示了当信噪比足够高时,算法会适应实例的困难度并产生一个与维度无关的率。实现算法的关键是一个逐渐增加的步长方案,根据对真实解的精细估计进行适应。我们通过数值实验验证了我们的发现并将我们的算法与显式 Λ1 惩罚进行了比较。从难实例到容易实例,我们看到我们的算法经历了一个相变,最终与具有真正的支持知识的最小二乘拟合器匹配。
Sep, 2019
本论文研究了基于图像的人工智能处理中一些实际问题,如图像数据的收集与标注、图像分类以及所涉及的数据处理方法等,提出了一种基于 Gradient Boosted Trees 与随机森林相结合的解决方法,并且实验结果表明该方法对于图像识别和图像分类问题具有较高的解决效果。
Aug, 2020
本文提出了一种关于新提出的类光滑图信号的恢复方法,该方法可以在三种采样策略下实现,通过实验设计采样和计算出最大风险下的极小值下限,提出了一种恢复策略来比较不同采样策略带来的误差,并找到了一种最佳的恢复速率。
Dec, 2015
本文提供一种有偏差方差权衡的图拉普拉斯正则化方法,该方法广泛应用于图信号处理和半监督学习任务。在分析中,将最优正则化参数的尺度定于谱图属性和信噪比参数,并应用于三种应用(包括随机信号、带限信号和多样本图信号)。通过实验验证了所建立分析的接近最优性能。
Jun, 2017