不完整时序数据的联合信号恢复与图学习
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
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
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
本文提出了适用于有向图和无向图信号的抽样定理,可以实现在保证完美恢复的前提下降低样本量,且可以将采样后的信号系数形成新的图信号,该理论还被应用于半监督分类,以较少的标记样本就达到了与之前工作相似甚至更好的性能。
Mar, 2015
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
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