机器学习的稀疏模型
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
该研究介绍了一种基于稀疏性的数据分离方法,通过对数据进行分解,使用稀疏系数向量来表达分离后的数据。该方法利用 $\ell_1$ 最小化或阈值处理自动实现数据分离,并被应用于压缩感知领域中。
Feb, 2011
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
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
本篇研究提出了一种基于固定复杂度追踪过程的节约建模方法,该方法将重点从模型转移到了追踪算法。这些结构性稀疏和鲁棒低秩模型的可学习追踪过程架构能够以最小复杂度的方式近似精确的节约表示,适用于大规模数据和实时性能强的应用场景,并且可以在区分学习模式下自然地扩展。在图像和音频处理的几个重要问题上,与精确优化算法相比,研究获得了几个数量级的加速,取得了最先进的效果。
Dec, 2012
本文介绍了稀疏表示在无线通信领域的各种应用,重点介绍了最近在压缩感知技术方面的应用。文章提供了稀疏表示在 5G 和物联网网络中增强频谱效率和能效的相关原则、不同稀疏域及其应用。
Jan, 2018
本文介绍了一种可以用于处理弱长程相互作用问题的通用框架,其中包括压缩感知问题或感知器学习问题,框架利用了统计物理学的分析工具来研究其解决方案的基本限制,并提出了解决方案算法,这可以为机器学习提供有益的工具。
Jun, 2023
研究使用生成模型在压缩感知中提出了一种新的方法 Sparse-Gen, 允许在支持集之外的空间上进行稀疏偏差,从而实现使用特定于领域的先验并允许完整的信号空间内的重建。与其他方法相比,该方法在重建准确性方面有着显著的改进,特别是在迁移压缩感知中应用生成模型于数据稀缺目标领域时。
Jul, 2018
本文主要介绍了一种新的基于随机逼近的在线优化算法,用于解决以学习基础集合和将其适应特定数据为主的大规模矩阵分解问题,其在各种矩阵分解方面有良好的表现,并在自然图像和基因数据上进行的实验中具有速度和优化方面的先进性能。
Aug, 2009