Jul, 2023

深度学习与自适应滤波：一种斯坦的无偏风险估计方法

PDF
TL;DR本文通过算法展开的角度重新审视了递归最小二乘（RLS）和等变自适应源分离（EASI）这两种著名的自适应滤波算法在源估计和分离方面的应用。基于算法展开方法，我们引入了新颖的基于任务的深度学习框架，称为 Deep RLS 和 Deep EASI。这些架构将原始算法的迭代转换为深度神经网络的层，从而通过利用训练过程实现了有效的源信号估计。为了进一步提高性能，我们提出使用基于 Stein 无偏风险估计器（SURE）的损失函数来训练这些深度展开网络。我们的实证评估证明了这种基于 SURE 的方法在改进源信号估计方面的有效性。
发现论文，激发创造
  • Stein 无偏风险估计的无监督学习

    通过使用 Stein's Unbiased Risk Estimator（SURE）的概念，无需真实样本数据，仅使用来自相同噪声分布的其他图片的测量结果，就可实现图像恢复和降噪的任务，并在 Deep Image Prior 等领域取得了部分进展。

    May, 2018

  • 指数族通用 SURE: 应用于正则化

    该论文提出了针对广泛问题的 Stein 无偏风险估计方法，扩展了 SURE 设计技术，并建议了一种基于正则化 SURE 目标的小波去噪策略，可以改善均方误差性能。

    Apr, 2008

  • 稳健等变成像：一种完全无监督的框架，用于从噪声和部分测量中学习成像

    本文提出了一种称为 “稳健等变成像”（REI）的框架，利用 Stein 的无偏风险估计器（SURE）实现对噪声具有鲁棒性的全面无人监督训练，从而在对抗噪声的情况下提高了线性和非线性反问题的性能表现，为深度网络的稳健无人监督成像铺平了道路。

    Nov, 2021

  • 可重构智能表面的深度学习辅助检测

    本文提出了一种用于估计和检测重新可配置智能表面（RIS）信号中符号的深度学习方法，不需要任何驾驶人信号，降低传输开销，优于传统的检测器。

    Oct, 2019

  • 利用李亚普诺夫驱动的深度强化学习技术， 利用可重构智能表面增强边缘推理

    本文提供面向 6G 网络中可重构智能表面（RIS）的边缘智能算法，结合了 Lyapunov 随机优化和深度加强学习，以实现能耗、时延和推理准确度的最佳平衡。

    May, 2023

  • 分布式递归最小二乘法：稳定性和性能分析

    本文介绍了一种分布式递归最小二乘（D-RLS）算法，通过 ad hoc 无线传感器网络协作估计。算法使用交替最小化算法进行分布式迭代，并根据网络范围内的估计实现自适应。进行了平稳均方误差性能分析，并研究了稳定性和均衡性问题。实验结果表明，理论研究的结果在实际设置中仍是准确的。

    Sep, 2011

  • 图像超分辨率的深度展开网络

    该论文介绍了一种新型的单图像超分辨率网络，它是一个可以通过迭代过程处理不同尺度的噪声图像的端到端可训练的深度网络，结合了学习和模型两种方法的优势。

    Mar, 2020

  • 多参数选择的 Stein 无偏梯度估计器（SUGAR）风险

    本文提出了一种使用 Stein 无偏风险估计（SURE）和弱梯度（SUGAR）来优化模型连续参数集合的方法，旨在解决使用非平滑正则化（如软阈值）时，SURE 成为参数的不连续函数而不能使用渐变下降优化技术的问题。同时，本文还给出了 SUGAR 应用于正则化问题的实例研究。

    May, 2014

  • 深度学习方法应用于结构化信号恢复

    本文提出了一个新的感知和恢复结构化信号的深度学习框架，并应用堆栈去噪自编码器（SDA）进行统计依赖性捕获来提高信号恢复性能。

    Aug, 2015

  • 使用递归最小二乘法的高效强化学习

    本文提出和分析了两种基于 RLS 方法的强化学习算法，即 RLS-TD (lambda) 和 Fast-AHC, 利用这些算法可以提高学习预测和学习控制的数据效率。

    Jun, 2011