論文の概要: Reconstruction of Sparse Signals under Gaussian Noise and Saturation
- arxiv url: http://arxiv.org/abs/2102.03975v1
- Date: Mon, 8 Feb 2021 03:01:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-10 03:33:53.704698
- Title: Reconstruction of Sparse Signals under Gaussian Noise and Saturation
- Title(参考訳): ガウス雑音と飽和下におけるスパース信号の再構成
- Authors: Shuvayan Banerjee, Radhe Srivastava, Ajit Rajwade
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.9873949136858349
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most compressed sensing algorithms do not account for the effect of
saturation in noisy compressed measurements, though saturation is an important
consequence of the limited dynamic range of existing sensors. The few
algorithms that handle saturation effects either simply discard saturated
measurements, or impose additional constraints to ensure consistency of the
estimated signal with the saturated measurements (based on a known saturation
threshold) given uniform-bounded noise. In this paper, we instead propose a new
data fidelity function which is directly based on ensuring a certain form of
consistency between the signal and the saturated measurements, and can be
expressed as the negative logarithm of a certain carefully designed likelihood
function. Our estimator works even in the case of Gaussian noise (which is
unbounded) in the measurements. We prove that our data fidelity function is
convex. We moreover, show that it satisfies the condition of Restricted Strong
Convexity and thereby derive an upper bound on the performance of the
estimator. We also show that our technique experimentally yields results
superior to the state of the art under a wide variety of experimental settings,
for compressive signal recovery from noisy and saturated measurements.
- Abstract(参考訳): ほとんどの圧縮センシングアルゴリズムは、ノイズ圧縮測定における飽和の影響を考慮しないが、飽和は既存のセンサーのダイナミックレンジの制限による重要な結果である。
飽和効果を扱う数少ないアルゴリズムは、飽和度測定を単に破棄するか、一様境界ノイズが与えられた飽和度測定(既知の飽和度閾値に基づく)と推定信号の一貫性を確保するために追加の制約を課す。
そこで本研究では,信号と飽和測定値とのある種の一貫性を確保するためのデータ忠実度関数を提案し,この関数を念入りに設計した確率関数の負対数として表現する。
我々の推定器は、ガウスノイズ(非有界)が測定値内でも機能する。
データ忠実度関数が凸であることを証明する。
さらに,制限された強い凸性の条件を満たすことを示し,推定器の性能上の上限を導出する。
また,本手法は, 様々な実験条件下で, ノイズや飽和測定による圧縮信号の回復に対して, 実験結果よりも優れた結果が得られることを示す。
関連論文リスト
- High-dimensional Asymptotics of Denoising Autoencoders [0.0]
重み付けされた2層非線形オートエンコーダとスキップ接続を用いてガウス混合体からデータをデノベートする問題に対処する。
平均二乗検定誤差を判定するためのクローズドフォーム式を提供する。
論文 参考訳(メタデータ) (2023-05-18T15:35:11Z) - Off-the-grid prediction and testing for mixtures of translated features [0.0]
付加的なガウス雑音過程で信号(離散あるいは連続)が観測されるモデルを考える。
我々は,スケールパラメータが変化する可能性を考慮して,オフ・ザ・グリッド推定器の過去の予測結果を拡張した。
本稿では,本モデルに対する適合性テストを提案し,テストリスクとミニマックス分離率の非漸近的上限を与える。
論文 参考訳(メタデータ) (2022-12-02T13:48:45Z) - Monotonicity and Double Descent in Uncertainty Estimation with Gaussian
Processes [52.92110730286403]
限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。
我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。
また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
論文 参考訳(メタデータ) (2022-10-14T08:09:33Z) - High-Order Qubit Dephasing at Sweet Spots by Non-Gaussian Fluctuators:
Symmetry Breaking and Floquet Protection [55.41644538483948]
非ガウスゆらぎによるqubit dephasingについて検討した。
非ガウス雑音に特有の対称性破壊効果を予測する。
論文 参考訳(メタデータ) (2022-06-06T18:02:38Z) - Partial Identification with Noisy Covariates: A Robust Optimization
Approach [94.10051154390237]
観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。
このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。
合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
論文 参考訳(メタデータ) (2022-02-22T04:24:26Z) - Differentiable Annealed Importance Sampling and the Perils of Gradient
Noise [68.44523807580438]
Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。
差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。
我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
論文 参考訳(メタデータ) (2021-07-21T17:10:14Z) - Sigma-Delta and Distributed Noise-Shaping Quantization Methods for
Random Fourier Features [73.25551965751603]
我々は、量子化 RFF が基礎となるカーネルの高精度な近似を可能にすることを証明した。
量子化 RFF はさらに圧縮され,メモリ使用量と精度のトレードオフに優れることを示す。
本手法は,この文脈におけるアート量子化手法の他の状態と比較し,いくつかの機械学習タスクにおいて,提案手法の性能を実証的に示す。
論文 参考訳(メタデータ) (2021-06-04T17:24:47Z) - Entanglement characterization by single-photon counting with random
noise [0.0]
極性測定と最大誤差推定(MLE)を組み合わせた絡み合い特性の問題点について検討する。
ランダムな実験誤差によって測定結果が歪んだ場合、現実的なシナリオが考慮される。
数値シミュレーションの結果はグラフ上に描かれ、議論されている。
論文 参考訳(メタデータ) (2021-03-11T19:00:02Z) - Iterative Correction of Sensor Degradation and a Bayesian Multi-Sensor
Data Fusion Method [0.0]
本稿では,劣化信号から地中構造信号を推定する新しい手法を提案する。
アルゴリズムは、2つの信号の繰り返し補正を行うことで乗算分解効果を学習する。
我々は理論的解析を含意し、ノイズレス測定モデルのための地上構造信号への収束性を証明する。
論文 参考訳(メタデータ) (2020-09-07T13:24:47Z) - One-Bit Compressed Sensing via One-Shot Hard Thresholding [7.594050968868919]
1ビット圧縮センシングの問題は、いくつかのバイナリ測定からスパース信号を推定することである。
広範に使われている非制約の幅の概念から遠ざかる、斬新で簡潔な分析法を提案する。
論文 参考訳(メタデータ) (2020-07-07T17:28:03Z) - Sample Complexity Bounds for 1-bit Compressive Sensing and Binary Stable
Embeddings with Generative Priors [52.06292503723978]
生成モデルを用いた圧縮センシングの進歩により, 生成モデルを用いた1ビット圧縮センシングの問題点を考察した。
まずノイズのない1ビット測定を考察し, ガウス測度に基づく近似回復のためのサンプル複雑性境界を提供する。
また,リプシッツ連続生成モデルを用いた1ビット圧縮センシングにも有効であることを示すため,評価誤差と雑音に対する再構成の堅牢性を示すBinary $epsilon$-Stable Embedding特性を実証した。
論文 参考訳(メタデータ) (2020-02-05T09:44:10Z)
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。