論文の概要: Memory Approximate Message Passing

• arxiv url: http://arxiv.org/abs/2106.02237v1
• Date: Fri, 4 Jun 2021 03:37:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 14:48:36.119828
• Title: Memory Approximate Message Passing
• Title（参考訳）: Memory Approximate Message Passing
• Authors: Lei Liu, Shunqi Huang, Brian M. Kurkoski
• Abstract要約: 本稿では、干渉抑制のための長メモリマッチングフィルタを提案するメモリAMP(MAMP)を提案する。 状態進化は、MAMPの性能を特徴づけるために導かれる。 すべての右単位不変行列に対して、最適化された MAMP は OAMP/VAMP に収束し、一意な不動点を持つならベイズ最適である。
• 参考スコア（独自算出の注目度）: 9.116196799517262
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Approximate message passing (AMP) is a low-cost iterative parameter-estimation technique for certain high-dimensional linear systems with non-Gaussian distributions. However, AMP only applies to independent identically distributed (IID) transform matrices, but may become unreliable for other matrix ensembles, especially for ill-conditioned ones. To handle this difficulty, orthogonal/vector AMP (OAMP/VAMP) was proposed for general right-unitarily-invariant matrices. However, the Bayes-optimal OAMP/VAMP requires high-complexity linear minimum mean square error estimator. To solve the disadvantages of AMP and OAMP/VAMP, this paper proposes a memory AMP (MAMP), in which a long-memory matched filter is proposed for interference suppression. The complexity of MAMP is comparable to AMP. The asymptotic Gaussianity of estimation errors in MAMP is guaranteed by the orthogonality principle. A state evolution is derived to asymptotically characterize the performance of MAMP. Based on the state evolution, the relaxation parameters and damping vector in MAMP are optimized. For all right-unitarily-invariant matrices, the optimized MAMP converges to OAMP/VAMP, and thus is Bayes-optimal if it has a unique fixed point. Finally, simulations are provided to verify the validity and accuracy of the theoretical results.
• Abstract（参考訳）: 近似メッセージパッシング(AMP)は、ガウス分布のない高次元線形系の低コスト反復パラメータ推定手法である。 しかし、AMPは独立に均等分布(IID)変換行列にのみ適用されるが、他の行列アンサンブル、特に条件の悪い行列では信頼性が低い。 この問題に対処するため、直交ベクトルAMP (OAMP/VAMP) が一般右一様不変行列に対して提案された。 しかし、ベイズ最適OAMP/VAMPは、高複素度線形平均二乗誤差推定器を必要とする。 本稿では、AMPとOAMP/VAMPの欠点を解決するため、干渉抑制のための長メモリマッチングフィルタを提案するメモリAMP(MAMP)を提案する。 MAMPの複雑さはAMPに匹敵する。 MAMPにおける推定誤差の漸近ガウス性は直交原理によって保証される。 状態進化は、MAMPの性能を漸近的に特徴づけるために導かれる。 状態の進化に基づいて、MAMPの緩和パラメータと減衰ベクトルを最適化する。 すべての右単位不変行列に対して、最適化された MAMP は OAMP/VAMP に収束し、一意な不動点を持つならベイズ最適である。 最後に,理論結果の妥当性と正確性を検証するためにシミュレーションを行った。

関連論文リスト

• 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)
• Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
  Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。 本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。 我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
  論文  参考訳（メタデータ） (2022-09-27T07:58:25Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Sufficient Statistic Memory Approximate Message Passing [5.708490209087275]
  AMP型アルゴリズムの重要な特徴は、それらの力学が状態進化によって正しく記述できることである。 本稿では,十分な統計条件下でのメモリAMP(MAMP)を提案する。
  論文  参考訳（メタデータ） (2022-06-23T13:06:00Z)
• Sufficient-Statistic Memory AMP [12.579567275436343]
  AMP型アルゴリズムの重要な特徴は、それらの力学が状態進化によって正しく記述できることである。 本稿では,十分に統計的なメモリAMP(SS-MAMP)アルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-31T07:25:18Z)
• Estimation in Rotationally Invariant Generalized Linear Models via Approximate Message Passing [21.871513580418604]
  本稿では,信号推定のための近接メッセージパッシング(AMP)アルゴリズムの新たなファミリーを提案する。 我々は、状態進化再帰を通じて高次元の限界におけるそれらの性能を厳格に特徴づける。
  論文  参考訳（メタデータ） (2021-12-08T15:20:04Z)
• Fast Batch Nuclear-norm Maximization and Minimization for Robust Domain Adaptation [154.2195491708548]
  ランダムに選択されたデータバッチの分類出力行列の構造について検討し,予測可能性と多様性について検討した。 本稿では,目標出力行列上で核ノルムを行い,目標予測能力を向上するBatch Nuclear-norm Maximization and Minimizationを提案する。 実験により,本手法は3つの典型的なドメイン適応シナリオにおいて適応精度とロバスト性を高めることができることが示された。
  論文  参考訳（メタデータ） (2021-07-13T15:08:32Z)
• Memory Approximate Message Passing [9.116196799517262]
  近似メッセージパッシング(amp)は低コスト反復パラメータ推定手法である。 本稿では,一元不変行列に対する低複素メモリAMP(MAMP)を提案する。
  論文  参考訳（メタデータ） (2020-12-20T07:42:15Z)
• Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
  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。
  論文  参考訳（メタデータ） (2020-11-18T16:40:45Z)
• Approximate Message Passing with Spectral Initialization for Generalized Linear Models [35.618694363241744]
  我々は、近似メッセージパッシング(AMP)に基づく推定器に焦点を当てる。 スペクトル推定器を用いたAMPアルゴリズムを提案する。 また,提案手法の有効性を示す数値的な結果も提供する。
  論文  参考訳（メタデータ） (2020-10-07T14:52:35Z)
• Modal Regression based Structured Low-rank Matrix Recovery for Multi-view Learning [70.57193072829288]
  近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。 既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。 本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
  論文  参考訳（メタデータ） (2020-03-22T03:57:38Z)

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。