- 基于 PARAFAC2 的矩阵和张量耦合分解约束
基于耦合矩阵和张量分解的数据融合模型是从多个数据源联合分析数据的有效工具。本文介绍了一种灵活的算法框架,利用交替优化和交替方向乘子法来适应基于 PARAFAC2 的 CMTF 模型,允许在所有模式和线性耦合到其他矩阵、CP 或 PARAFA - 基于相关数据的学习稀疏高维矩阵值图模型
推断稀疏、高维、稳定矩阵变量高斯时间序列的条件独立图 (CIG) 问题,采用基于稀疏组套索的频域公式,并通过交替方向乘法器方法 (ADMM) 求解,结果为局部收敛到真实值的 Frobenius 范数的逼近。
- 增强的高光谱图像子空间聚类的展开式 ADMM
本文介绍了一种创新的基于深度展开的聚类架构,通过对稀疏子空间聚类的交替方向方法求解器进行展开,可以捕捉到高光谱图像数据的结构特征,并采用 K 最近邻算法保持结构的模块,实验证明基于展开方法在高光谱图像聚类中具有潜力,并比现有技术表现出更好的 - 分布式噪声链路最大一致性
我们介绍了一种分布式算法,称为噪声鲁棒的分布式最大共识(RD-MC),用于在存在噪声通信链路的多智能体网络中估计最大值。通过将最大共识问题重新定义为分布式优化问题,我们使用交替方向乘法器方法进行求解。与现有算法依赖多组受噪声干扰的估计不同, - 基于新型损失函数的二分类支持向量机
我们提出了一种基于置信边界的滑动损失函数来构建支持向量机分类器,通过引入近似稳定点的概念和利用利普希茨连续性的性质,我们为滑动支持向量机推导了一阶最优性条件,并定义了滑动支持向量和滑动工作集。为了高效处理滑动支持向量机,我们设计了一种带有滑 - AA-DLADMM:一种基于加速 ADMM 的深度神经网络训练框架
提出了一种名为 AA-DLADMM 的算法,它使用了 Anderson 加速以改进 ADMM 优化算法的收敛速度,通过在四个基准数据集上进行广泛实验证明了该算法的有效性和效率。
- AAAI线性二次问题的 ADMM 及过松弛 ADMM 参数的优化
在这篇论文中,我们首先提出了一种通用方法来优化惩罚参数的值,然后在线性二次问题(LQPs)的背景下,提出了一种新的封闭形式公式来计算最佳松弛参数。通过随机实例化和多样化的图像应用实验证明了我们参数选择方法的有效性,其中包括差分同胚图像配准、 - 基于 Moreau 信封的个性化联邦学习算法
个性化联邦学习(PFL)是一种用于解决异构数据收敛性差的方法。本文提出了一种使用 Moreau 包络(FLAME)的交替方向乘子方法进行训练 PFL 模型的方法,它在梯度 Lipschitz 连续性相对较弱的假设下实现亚线性收敛率。此外,由 - VDIP-TGV: 基于总变差的变分深度图像先验增强的盲图像去卷积
本文提出的 VDIP-TGV 模型将总体广义变分正规化与 VDIP 相结合,通过 TGV 补充额外的梯度信息,有效地恢复图像边缘和细节。此模型通过交替方向乘法器方法(ADMM)求解,定量和定性实验证明了 VDIP-TGV 优于各种最先进的模 - 通过新颖的稀疏感应正则化方法进行低秩张量补全
提出了一种通过闭合形式的阈值函数来生成稀疏感应正则化器,并应用于低秩张量补全问题中,基于交替方向乘子法的高效算法被开发,证明生成的序列是有界的并且任何极限点都是一个稳定点。在合成和实际的数据集上的实验结果表明,所提出的算法在恢复性能方面优于 - 利用双重加权多粒度补丁张量模型和张量列车分解进行红外小目标检测
该研究提出了一种新的双加权多层次红外图像小目标检测模型,通过采集不重叠的图像块和使用张量分解来构建多层次红外图像小目标模型,利用自适应加权机制平衡不同粒度信息的重要性,并利用导向核提取局部结构信息,最终通过交替方向乘子法进行模型优化,实验结 - 增强低秩矩阵补全的稀疏正则化生成框架
应用半二次优化于损失函数可以产生对应的正则化器,而这些正则化器通常不具备稀疏诱导能力。为解决这个问题,我们设计了一个能够生成具有闭式近似算子的稀疏诱导能力正则化器的框架。此外,我们使用几个常用的损失函数来明确我们的框架,并产生相应的正则化器 - PnP-ADMM 中的先前偏差和适应性及其非凸收敛分析
该论文探讨了插拔式先验(PnP)方法中先验分布不匹配和领域适应的问题,并提供了一系列关于 PnP-ADMM 的新理论和数值结果,证明了先验分布不匹配对其性能的影响以及通过少量来自所需分布的训练样本可以显著减小性能差距。
- 去中心化弱凸优化的 Moreau 包络 ADMM
本文提出了一种分布式优化的交替方向乘子法 (ADMM) 的近似变体,通过使用 Moreau 包络函数的分析,证明了该方法可以在温和条件下收敛到一个稳定点,并且经过数值实验表明它比广泛使用的方法更快、更健壮。
- 基于未经训练的神经网络的傅里叶相位恢复及其在极少测量中的嵌入
使用基于交替方向乘子方法(ADMM)框架的未训练神经网络(NN)嵌入算法,通过生成网络和总变差(TV)正则化来解决具有少量测量的 Fourier 相位恢复(FPR)问题,从而减少计算资源,并能与训练的 NN 算法竞争性地表现。
- 加权各向异性 - 同向异构全变差用于泊松降噪
本文提出了一种基于加权各向异性 - 各向同性总变差作为正则化规则的泊松去噪模型,使用交替方向乘子法与近端算子相结合实现,最后通过数值实验证明了本算法在图像质量和计算效率方面优于其他泊松去噪方法。
- 多约束对称非负隐变量分析大规模无向加权网络
本文提出了一种多限制的对称非负潜因子分析模型,通过引入多种限制和实现交替方向乘子法的学习方案,有效解决了对称高维不完整矩阵在无向加权网络中的特征表达问题。实验证明该模型较现有模型具有更强的表征学习能力。
- 接近对称非负隐因子分析:一种高度准确表示无向加权网络的新方法
本文提出了一种名为 PSNL 的模型,它通过在面向数据密度和对称性的目标函数中加入接近项来提高表示准确性,并通过基于 ADMM 的自适应 TPE 方法实现高效的计算学习方案,从而实现了四个 UWN 上的模拟研究,证明了 PSNL 比最先进的 - 自适应拓扑张量网络用于多视角子空间聚类
本文提出一种自适应拓扑张量网络(ATTN)来用于多视角子空间聚类,通过分析自表示张量中不同模式的高阶相关性,剪枝虚弱相关关系的链接,从而表现出更好的张量表征能力,并应用贪婪自适应秩增加策略来提高低阶结构的捕获能力。实验结果表明,基于 ATT - 学习上下文感知的自适应求解器以加速二次规划问题
本文提出了一种基于上下文自适应 ADMM 的参数调节方法 CA-ADMM,通过提取 QP 问题的时空依赖,动态调节参数 rho,达到了加速优化过程的效果。