論文の概要: Plug-And-Play Learned Gaussian-mixture Approximate Message Passing

• arxiv url: http://arxiv.org/abs/2011.09388v1
• Date: Wed, 18 Nov 2020 16:40:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 03:26:30.190547
• Title: Plug-And-Play Learned Gaussian-mixture Approximate Message Passing
• Title（参考訳）: プラグ・アンド・プレイ学習ガウス混合近似メッセージパッシング
• Authors: Osman Musa, Peter Jung and Giuseppe Caire
• Abstract要約: そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。 我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。 数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 71.74028918819046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep unfolding showed to be a very successful approach for accelerating and tuning classical signal processing algorithms. In this paper, we propose learned Gaussian-mixture AMP (L-GM-AMP) - a plug-and-play compressed sensing (CS) recovery algorithm suitable for any i.i.d. source prior. Our algorithm builds upon Borgerding's learned AMP (LAMP), yet significantly improves it by adopting a universal denoising function within the algorithm. The robust and flexible denoiser is a byproduct of modelling source prior with a Gaussian-mixture (GM), which can well approximate continuous, discrete, as well as mixture distributions. Its parameters are learned using standard backpropagation algorithm. To demonstrate robustness of the proposed algorithm, we conduct Monte-Carlo (MC) simulations for both mixture and discrete distributions. Numerical evaluation shows that the L-GM-AMP algorithm achieves state-of-the-art performance without any knowledge of the source prior.
• Abstract（参考訳）: ディープ展開は、古典的な信号処理アルゴリズムの高速化とチューニングに非常に成功したアプローチであった。 本稿では,任意のi.i.d.ソースに適したプラグ・アンド・プレイ圧縮センシング(cs)リカバリアルゴリズムである学習型ガウス混合型amp(l-gm-amp)を提案する。 我々のアルゴリズムはborgerdingの学習amp(lamp)に基づいているが、アルゴリズム内で普遍的な分別関数を採用することで大幅に改善されている。 頑健で柔軟なデノイザー(denoiser)は、ガウス混合(gm)に先行するモデリングソースの副産物であり、混合分布と同様に連続的で離散的に近似することができる。 そのパラメータは標準バックプロパゲーションアルゴリズムを用いて学習される。 提案手法のロバスト性を示すために,混合分布と離散分布の両方に対してモンテカルロ(mc)シミュレーションを行う。 数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。

関連論文リスト

• Unrolled denoising networks provably learn optimal Bayesian inference [54.79172096306631]
  我々は、近似メッセージパッシング(AMP)のアンロールに基づくニューラルネットワークの最初の厳密な学習保証を証明した。 圧縮センシングでは、製品から引き出されたデータに基づいてトレーニングを行うと、ネットワークの層がベイズAMPで使用されるのと同じデノイザーに収束することを示す。
  論文  参考訳（メタデータ） (2024-09-19T17:56:16Z)
• Provably Efficient Information-Directed Sampling Algorithms for Multi-Agent Reinforcement Learning [50.92957910121088]
  本研究は,情報指向サンプリング(IDS)の原理に基づくマルチエージェント強化学習(MARL)のための新しいアルゴリズムの設計と解析を行う。 エピソディックな2プレーヤゼロサムMGに対して、ナッシュ平衡を学習するための3つのサンプル効率アルゴリズムを提案する。 我々は、Reg-MAIDSをマルチプレイヤー汎用MGに拡張し、ナッシュ平衡または粗相関平衡をサンプル効率良く学習できることを証明する。
  論文  参考訳（メタデータ） (2024-04-30T06:48:56Z)
• An Efficient 1 Iteration Learning Algorithm for Gaussian Mixture Model And Gaussian Mixture Embedding For Neural Network [2.261786383673667]
  新しいアルゴリズムは、古典的な期待最大化(EM)アルゴリズムよりも頑丈さと単純さをもたらす。 また、精度も向上し、学習に1回しかかからない。
  論文  参考訳（メタデータ） (2023-08-18T10:17:59Z)
• Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
  不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。 特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
  論文  参考訳（メタデータ） (2023-02-13T19:57:17Z)
• Langevin Monte Carlo for Contextual Bandits [72.00524614312002]
  Langevin Monte Carlo Thompson Sampling (LMC-TS) が提案されている。 提案アルゴリズムは,文脈的帯域幅の特別な場合において,最高のトンプソンサンプリングアルゴリズムと同じサブ線形残差を達成できることを示す。
  論文  参考訳（メタデータ） (2022-06-22T17:58:23Z)
• Denoising Generalized Expectation-Consistent Approximation for MRI Image Recovery [19.497777961872448]
  逆問題では、凸最適化のステップをアプリケーション固有のデノイザへの呼び出しに置き換えるプラグイン・アンド・プレイ(DNN)法が開発され、ディープニューラルネットワーク(DNN)を用いてしばしば実装されている。 このような手法は成功したが、改善できる。例えば、デノイザーは通常、ホワイトノイズを取り除くために設計・訓練されているが、ニューラルデノイザー入力誤差はホワイトやガウスから遠く離れている。 本稿では,各イテレーション毎に予測可能なエラー統計情報を提供するアルゴリズムと,それらの統計情報を活用する新しい画像デノワを提案する。
  論文  参考訳（メタデータ） (2022-06-09T00:58:44Z)
• Robust Quantum Control using Hybrid Pulse Engineering [0.0]
  勾配に基づく最適化アルゴリズムは、初期推定に対する感度によって制限される。 我々の数値解析は、その収束速度が優れていることを裏付ける。 本稿では,雑音場を組み込んだノイズ耐性量子制御法について述べる。
  論文  参考訳（メタデータ） (2021-12-02T14:29:42Z)
• Efficient Algorithms for Estimating the Parameters of Mixed Linear Regression Models [10.164623585528805]
  加法雑音が非ガウス分布を持つ場合のMLRモデルのパラメータの最大推定について検討する。 そこで本研究では,乗算器の交互方向法(ADMM)とEMアルゴリズムのアイデアを組み合わせた新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-12T20:29:03Z)
• Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
  ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。 本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。 本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
  論文  参考訳（メタデータ） (2021-02-04T02:21:08Z)

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。