論文の概要: Hadamard Wirtinger Flow for Sparse Phase Retrieval
- arxiv url: http://arxiv.org/abs/2006.01065v2
- Date: Wed, 24 Feb 2021 12:19:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 06:39:44.082731
- Title: Hadamard Wirtinger Flow for Sparse Phase Retrieval
- Title(参考訳): スパース位相検索のためのアダマール整流器流れ
- Authors: Fan Wu, Patrick Rebeschini
- Abstract要約: 我々は、ノイズのない等級のみの測定結果から、$n$-dimensional $k$-sparse信号を再構成する問題を考察する。
この問題を非正規化経験的リスク最小化タスクとして定式化し、アダマールパラメトリゼーションを用いた勾配降下のサンプル複雑性性能について検討した。
収束時のHWFの性能を数値的に検討し、正規化の明示的な形式や$k$の知識を必要としないが、HWFは信号空間に適応し、既存の勾配法よりも少ない測定値でスパース信号を再構成することを示した。
- 参考スコア(独自算出の注目度): 24.17778927729799
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of reconstructing an $n$-dimensional $k$-sparse
signal from a set of noiseless magnitude-only measurements. Formulating the
problem as an unregularized empirical risk minimization task, we study the
sample complexity performance of gradient descent with Hadamard
parametrization, which we call Hadamard Wirtinger flow (HWF). Provided
knowledge of the signal sparsity $k$, we prove that a single step of HWF is
able to recover the support from $k(x^*_{max})^{-2}$ (modulo logarithmic term)
samples, where $x^*_{max}$ is the largest component of the signal in magnitude.
This support recovery procedure can be used to initialize existing
reconstruction methods and yields algorithms with total runtime proportional to
the cost of reading the data and improved sample complexity, which is linear in
$k$ when the signal contains at least one large component. We numerically
investigate the performance of HWF at convergence and show that, while not
requiring any explicit form of regularization nor knowledge of $k$, HWF adapts
to the signal sparsity and reconstructs sparse signals with fewer measurements
than existing gradient based methods.
- Abstract(参考訳): 我々は,n$-dimensional $k$-sparse 信号を無騒音等級のみの測定値から再構成する問題を考える。
この問題を非正規化経験的リスク最小化タスクとして定式化し,ハダマールパラメトリゼーションを伴う勾配降下のサンプル複雑性性能について検討し,ハダマール・ヴィルティンガーフロー (hwf) と呼ぶ。
信号スパーシティ $k$ の知識から、hwf の1ステップが $k(x^*_{max})^{-2}$ (modulo logarithmic term) サンプルからサポートを回復できることが証明され、ここで $x^*_{max}$ は信号の最大成分である。
このサポートリカバリ手順は、既存の再構築方法を初期化するために使用することができ、データを読み込むコストに比例する実行時間全体のアルゴリズムと、信号が少なくとも1つの大きなコンポーネントを含む場合の$k$で線形なサンプル複雑性の改善を実現できる。
収束時のHWFの性能を数値的に検討し、正規化の明示的な形式や$k$の知識を必要としないが、HWFは信号空間に適応し、既存の勾配法よりも少ない測定値でスパース信号を再構成することを示した。
関連論文リスト
- Model-adapted Fourier sampling for generative compressed sensing [7.130302992490975]
測定行列が一意行列からランダムにサブサンプリングされたとき, 生成的圧縮センシングについて検討した。
我々は,textitO(kd| boldsymbolalpha|_22)$の測定精度を改良したモデル適応サンプリング戦略を構築した。
論文 参考訳(メタデータ) (2023-10-08T03:13:16Z) - Statistical-Computational Tradeoffs in Mixed Sparse Linear Regression [20.00109111254507]
この問題は、$frackSNR2$-to-$frack2SNR2$statistic-to-computational gapである。
また,この問題が困難な狭い状況以外では,関連する混合回帰検出問題を解くための簡単なしきい値決定アルゴリズムも分析する。
論文 参考訳(メタデータ) (2023-03-03T18:03:49Z) - Adaptive Sketches for Robust Regression with Importance Sampling [64.75899469557272]
我々は、勾配降下(SGD)による頑健な回帰を解くためのデータ構造を導入する。
我々のアルゴリズムは、サブ線形空間を使用し、データに1回パスするだけで、SGDの$T$ステップを重要サンプリングで効果的に実行します。
論文 参考訳(メタデータ) (2022-07-16T03:09:30Z) - Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes
problem [78.20667552233989]
我々は、ノイズやスパース磁気共鳴信号から速度場を復元するための物理インフォームド圧縮センシング(PICS)法を定式化する。
本手法は, 疎サンプリング信号から速度場を再構成し, セグメンテーションすることができる。
論文 参考訳(メタデータ) (2022-07-04T14:51:59Z) - Breaking the Sample Complexity Barrier to Regret-Optimal Model-Free
Reinforcement Learning [52.76230802067506]
漸進的強化学習における後悔を最小限に抑えるために,新しいモデルフリーアルゴリズムを提案する。
提案アルゴリズムは、2つのQ-ラーニングシーケンスの助けを借りて、初期設定された参照更新ルールを用いる。
初期の分散還元法の設計原理は、他のRL設定とは独立した関心を持つかもしれない。
論文 参考訳(メタデータ) (2021-10-09T21:13:48Z) - Towards Sample-Optimal Compressive Phase Retrieval with Sparse and
Generative Priors [59.33977545294148]
O(k log L)$サンプルは振幅に基づく経験損失関数を最小化する任意のベクトルに信号が近いことを保証するのに十分であることを示す。
この結果はスパース位相検索に適応し、基底信号が$s$-sparseおよび$n$-dimensionalである場合、$O(s log n)$サンプルは同様の保証に十分であることを示す。
論文 参考訳(メタデータ) (2021-06-29T12:49:54Z) - Lattice partition recovery with dyadic CART [79.96359947166592]
我々は、$d$次元格子上の加法ガウス雑音によって破損したピースワイド定値信号について検討する。
この形式のデータは、多くのアプリケーションで自然に発生し、統計処理や信号処理の文献において、信号の検出やテスト、ノイズの除去、推定といったタスクが広く研究されている。
本稿では,未知の信号の一貫性領域によって誘導される格子の分割を推定する,分割回復の問題について考察する。
我々は、DCARTベースの手順が、下位分割を$sigma2 k*の順序で一貫して推定することを証明した。
論文 参考訳(メタデータ) (2021-05-27T23:41:01Z) - A Continuous-Time Mirror Descent Approach to Sparse Phase Retrieval [24.17778927729799]
スパース位相探索に適用した連続時間ミラーを解析する。
これは、測定のみの集合からスパース信号を復元する問題である。
この問題に対して収束解析アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-10-20T10:03:44Z) - Activation Relaxation: A Local Dynamical Approximation to
Backpropagation in the Brain [62.997667081978825]
活性化緩和(AR)は、バックプロパゲーション勾配を力学系の平衡点として構成することで動機付けられる。
我々のアルゴリズムは、正しいバックプロパゲーション勾配に迅速かつ堅牢に収束し、単一のタイプの計算単位しか必要とせず、任意の計算グラフで操作できる。
論文 参考訳(メタデータ) (2020-09-11T11:56:34Z) - DeepInit Phase Retrieval [10.385009647156407]
本稿では,データ深層生成モデルを用いて位相探索問題の解法を提案する。
我々のハイブリッドアプローチは,低サンプリングレートで非常に高い再構成結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-16T09:39:28Z)
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。