Fugu-MT 論文翻訳(概要): Restricted Structural Random Matrix for Compressive Sensing

論文の概要: Restricted Structural Random Matrix for Compressive Sensing

arxiv url: http://arxiv.org/abs/2002.07346v1
Date: Tue, 18 Feb 2020 02:52:51 GMT
ステータス: 処理完了
システム内更新日: 2022-12-30 20:54:47.545950
Title: Restricted Structural Random Matrix for Compressive Sensing
Title（参考訳）: 圧縮センシングのための制限構造ランダムマトリクス
Authors: Thuong Nguyen Canh and Byeungwoo Jeon
Abstract要約: この研究は、新しいサンプリングマトリックスでセキュリティを損なうことなく、センシングと圧縮効率を改善することを目的としていた。 RSRMはフレームベースおよびブロックベースセンシングの利点と、それ以前のグローバルな滑らかさを統合した。 RSRMは制限等尺性を満たすことが証明され、最近の最先端の圧縮センシングと深層学習に基づく手法と同等の再構成性能を示す。
参考スコア（独自算出の注目度）: 9.796763590985183
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Compressive sensing (CS) is well-known for its unique functionalities of sensing, compressing, and security (i.e. CS measurements are equally important). However, there is a tradeoff. Improving sensing and compressing efficiency with prior signal information tends to favor particular measurements, thus decrease the security. This work aimed to improve the sensing and compressing efficiency without compromise the security with a novel sampling matrix, named Restricted Structural Random Matrix (RSRM). RSRM unified the advantages of frame-based and block-based sensing together with the global smoothness prior (i.e. low-resolution signals are highly correlated). RSRM acquired compressive measurements with random projection (equally important) of multiple randomly sub-sampled signals, which was restricted to be the low-resolution signals (equal in energy), thereby, its observations are equally important. RSRM was proven to satisfies the Restricted Isometry Property and shows comparable reconstruction performance with recent state-of-the-art compressive sensing and deep learning-based methods.
Abstract（参考訳）: 圧縮センシング(CS)は、センシング、圧縮、セキュリティのユニークな機能(すなわち、CSの測定は等しく重要である)で有名である。しかし、トレードオフがある。事前信号情報によるセンシングと圧縮効率の向上は、特定の測定値を好む傾向があるため、セキュリティが低下する。この研究は、新しいサンプリングマトリクスである制限構造ランダムマトリクス(rsrm)を用いて、セキュリティを損なうことなく、センシングと圧縮効率を向上させることを目的とした。 RSRMはフレームベースおよびブロックベースセンシングの利点と、それ以前の大域的滑らかさを統合した(低解像度信号は高い相関関係にある)。 RSRMは、低分解能信号(エネルギーに等しい)に制限された複数のランダムなサブサンプリング信号のランダムな投射(等しく重要な)による圧縮測定を取得し、その観測は同様に重要である。 RSRMは制限等尺性を満たすことが証明され、最近の最先端の圧縮センシングと深層学習に基づく手法と同等の再構成性能を示す。

関連論文リスト

Incorporating Gradients to Rules: Towards Lightweight, Adaptive Provenance-based Intrusion Detection [11.14938737864796]
多様な環境に自動的に適応できるルールベースのPIDSであるCAPTAINを提案する。我々は、微分可能なタグ伝搬フレームワークを構築し、勾配降下アルゴリズムを用いてこれらの適応パラメータを最適化する。その結果,CAPTAINは検出精度の向上,検出遅延の低減,ランタイムオーバーヘッドの低減,検出アラームや知識の解釈性の向上を実現している。
論文参考訳（メタデータ） (2024-04-23T03:50:57Z)
TernaryVote: Differentially Private, Communication Efficient, and Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
論文参考訳（メタデータ） (2024-02-16T16:41:14Z)
Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
論文参考訳（メタデータ） (2024-01-25T08:11:27Z)
A coherence parameter characterizing generative compressed sensing with Fourier measurements [8.106641866299379]
サブサンプルアイソメトリーを用いた生成的圧縮センシングのための,最初の制限されたアイソメトリーの保証を証明した。回復効率は、ネットワークの範囲と測定行列の間の相互作用を測定する新しいパラメータであるコヒーレンスによって特徴づけられる。
論文参考訳（メタデータ） (2022-07-19T15:49:41Z)
One-Bit Compressive Sensing: Can We Go Deep and Blind? [15.231885712212083]
1ビット圧縮センシングは、1ビット雑音測定から基礎となるスパース信号の正確な回復に関係している。盲点回復を実現する新しいデータ駆動型モデルベース手法を提案する。
論文参考訳（メタデータ） (2022-03-13T16:06:56Z)
Implicit Neural Representations for Image Compression [103.78615661013623]
Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
論文参考訳（メタデータ） (2021-12-08T13:02:53Z)
Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
論文参考訳（メタデータ） (2021-10-07T14:03:00Z)
Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文参考訳（メタデータ） (2021-06-15T17:22:59Z)
Improved Coherence Index-Based Bound in Compressive Sensing [11.170808021569192]
マッチング追従アルゴリズムにおけるコヒーレンスに基づく一意性関係の改善を提案する。我々は信号空間のコヒーレンス指数に基づく低境界を導出する。
論文参考訳（メタデータ） (2021-03-11T17:19:06Z)
Reconstruction of Sparse Signals under Gaussian Noise and Saturation [1.9873949136858349]
ほとんどの圧縮センシングアルゴリズムは、ノイズのある圧縮測定における飽和の影響を考慮していない。本稿では,信号と飽和度の測定値との整合性を確保するためのデータ忠実度関数を提案する。
論文参考訳（メタデータ） (2021-02-08T03:01:46Z)
Learning, compression, and leakage: Minimising classification error via meta-universal compression principles [87.054014983402]
学習シナリオのための圧縮技法の有望なグループは、正規化極大(NML)符号化である。ここでは,教師付き分類問題に対するNMLに基づく意思決定戦略を検討し,多種多様なモデルに適用した場合にPAC学習を実現することを示す。本手法の誤分類率は,プライバシに敏感なシナリオにおいて,データ漏洩の可能性を定量化するための指標である最大リークによって上限づけられていることを示す。
論文参考訳（メタデータ） (2020-10-14T20:03:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。