- 有效的矩阵分解:通过 Householder 变换
基于正交字典学习问题,我们提出了一种新的矩阵分解方法,其中数据矩阵 Y 是 Householder 矩阵 H 和二进制矩阵 X 的乘积。首先,我们证明了从 Y 中确切恢复出因子 H 和 X 是在 Y 中具有 Ω(1) 列的;接下来,我们证明 - ViFu: 通过可见部分融合实现带干净背景的多个 360° 物体重建
我们提出了一种方法,可以从不同时间戳的场景观察中分割和恢复静态、干净的背景以及多个 360° 对象。我们通过观察相同对象在不同排列下的情况,将多场景融合任务分解为两个主要组成部分:对象 / 背景分割与对齐,以及辐射场融合。实验结果证明了我们 - 使用图神经网络进行随机几何图对齐
通过研究在存在顶点特征信息时,图神经网络在图对齐问题中的表现,我们证明在特征向量的稀疏性和噪声水平满足一定条件的情况下,经过精心设计的一层图神经网络能够高概率地恢复出两个图的顶点之间正确的对应关系,并且我们还证明了对于噪声水平的条件是近似最 - 稀疏多参考对齐无碰撞信号的极小化最优估计
多参考对齐 (Multi-Reference Alignment, MRA) 问题是在高强度噪声下,从多次观测中恢复未知信号在循环等距变换作用下的问题。本文研究了在碰撞自由信号情况下的信号估计的极小极大最优性,并且在这一设置中表明了稀疏 M - 过参数化自编码器训练数据的恢复:逆问题视角
我们研究了从超参数化自编码器模型中恢复训练数据的方法,通过将退化的训练样本定义为逆问题,并将其作为优化任务进行建模,我们使用训练好的自编码器隐式地定义特定训练数据集的正则化器,然后将复杂的优化任务转化为一个实用的方法,该方法迭代地应用训练好 - ICCV隐私保护人脸识别基于随机频率成分
对面部图像的视觉信息和恢复进行隐私保护的研究,通过修剪人可察觉的低频分量来隐藏视觉信息,并提出了 PartialFace 的隐私保护人脸识别方法,通过在随机选择的频率分量上进行识别模型的训练和推理,实现了隐私保护目标和识别准确性的平衡。
- 一种轻量级 Transformer 用于更快速、更稳健的 EBSD 数据采集
通过使用高效的变压器模型和投影算法处理变压器的输出,克服了深度学习与稀缺高维数据的计算和实际障碍,并使用自我监督的合成三维 EBSD 数据训练该模型,在真实的三维 EBSD 数据中获得了比现有方法更高的恢复精度。
- ReCOVery:COVID-19 新闻可信度研究的多模态存储库
本研究研发了一个名为 ReCOVery 的信息库,收集并提供新冠疫情相关的新闻,具体包括文本、图片、时间和网络信息等。为了提高数据集的规模,同时也更加保证标签的准确度,本文通过获取新闻媒体的可信度作为新闻的标签。我们对其中包含的数据进行各种 - 图信号的采样和恢复
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。
- 基于图的离散信号处理:采样理论
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。
- 一般随机块模型下的社区发现:基本限制和高效恢复算法
本文研究随机块模型中社区的分割和恢复问题,通过新的分歧函数来确定恢复阈值并提出了一个复杂度为准线性的算法来恢复社区,即使带有重叠部分的多个社区也可以进行恢复和检测。
- NIPS有向无权图中的度量恢复
本文展示了在至少需要 ω(n^(2/(d+2))) 的节点度时(其中 d 为维度),可以从有向无权图中恢复欧几里得度量和相关密度的估计,其中我们的估计器基于有向图上的随机游走的特征化和相应连续极限。
- 低秩张量补全的并行矩阵分解
本研究提出了一个新的模型以及应用交替最小化算法和两种自适应秩调整策略同时对低秩张量进行低秩矩阵分解,结果表明,该算法可以在比其他方法更少的数据采样下恢复各种合成低秩张量,而且实际数据的测试结果也有类似优势。
- 从无相位线性测量中实现稳定优化恢复
本研究探讨如何从缺乏符号或相位信息的 m 线性测量中恢复 n 向量;我们说明,当 m = O (nlogn) 时,仅通过 lifting 和半定松弛就足以稳定地恢复具有高概率的随机感应矢量设置。这种恢复方法在 PhaseLift 中的迹最小 - A * 正交匹配追踪:压缩感知信号恢复的最佳优先搜索
本文介绍了一种新型的半贪心恢复方法 ——A * 正交匹配追踪算法(A*OMP),它在树上执行 A * 搜索,寻找最稀疏的解决方案,并提供可调的搜索参数以进行复杂度与准确性的平衡。我们使用高斯和 Bernoulli 观测矩阵在合成数据和图像上 - 用几何 lp 最小化概率地恢复点云中的多个子空间
研究了通过 lp 最小化距离来恢复高维数据集中 K 个线性子空间的问题,其中数据来自于一个混合分布,包含 K+1 个组成部分,包括一个在球体上均匀分布的 outliers 和 K 个在球体上限制的直线子空间,以及解决了在这个问题中 lp 最 - 基于主成分追踪的低秩矩阵密集误差纠正
本文扩展了 Principal Component Pursuit (PCP) 方法,通过引入改进的权重参数,可以在 “几乎全部” 条目未知的情况下恢复受破坏的低秩矩阵,并通过随机生成的数据进行了模拟验证。