論文の概要: Efficient ADMM-based Algorithms for Convolutional Sparse Coding

• arxiv url: http://arxiv.org/abs/2109.02969v1
• Date: Tue, 7 Sep 2021 09:49:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 14:46:51.862159
• Title: Efficient ADMM-based Algorithms for Convolutional Sparse Coding
• Title（参考訳）: 畳み込みスパース符号化のための効率的なADMMアルゴリズム
• Authors: Farshad G. Veshki and Sergiy A. Vorobyov
• Abstract要約: この手紙は、畳み込み最小二乗のサブプロブレムの解を提示する。 また,効率的な畳み込み辞書学習手法の開発にも同様のアプローチを用いる。 近似誤差に制約のある畳み込みスパース符号化のための新しいアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 38.31173467674558
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional sparse coding improves on the standard sparse approximation by incorporating a global shift-invariant model. The most efficient convolutional sparse coding methods are based on the alternating direction method of multipliers and the convolution theorem. The only major difference between these methods is how they approach a convolutional least-squares fitting subproblem. This letter presents a solution to this subproblem, which improves the efficiency of the state-of-the-art algorithms. We also use the same approach for developing an efficient convolutional dictionary learning method. Furthermore, we propose a novel algorithm for convolutional sparse coding with a constraint on the approximation error.
• Abstract（参考訳）: 畳み込みスパース符号は、大域シフト不変モデルを取り込むことで標準スパース近似を改善する。 最も効率的な畳み込み符号化法は、乗算器の交互方向法と畳み込み定理に基づいている。 これらの方法の唯一の大きな違いは、畳み込み最小二乗のサブプロブレムへのアプローチである。 この手紙は、最先端のアルゴリズムの効率を向上させるサブプロブレムの解を示す。 また,効率的な畳み込み辞書学習手法の開発にも同様のアプローチを用いる。 さらに,近似誤差に制約のある畳み込みスパース符号化のための新しいアルゴリズムを提案する。

関連論文リスト

• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• Nystrom Method for Accurate and Scalable Implicit Differentiation [25.29277451838466]
  我々は,Nystrom法が他の手法と同等あるいは優れた性能を連続的に達成していることを示す。 提案手法は数値的な不安定さを回避し,反復を伴わない行列演算で効率的に計算できる。
  論文  参考訳（メタデータ） (2023-02-20T02:37:26Z)
• Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
  通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。 我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。 我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
  論文  参考訳（メタデータ） (2021-06-08T15:54:44Z)
• Converting ADMM to a Proximal Gradient for Convex Optimization Problems [4.56877715768796]
  融解ラッソや凸クラスタリングなどのスパース推定では、問題を解くために、近位勾配法またはマルチプライヤー(ADMM)の交互方向法のいずれかを適用します。 本論文では,制約と目的が強く凸であると仮定し,ADMM溶液を近位勾配法に変換する一般的な方法を提案する。 数値実験により, 効率の面で有意な改善が得られることを示した。
  論文  参考訳（メタデータ） (2021-04-22T07:41:12Z)
• Hybrid Trilinear and Bilinear Programming for Aligning Partially Overlapping Point Sets [85.71360365315128]
  多くの応用において、部分重なり合う点集合が対応するRPMアルゴリズムに不変であるようなアルゴリズムが必要である。 まず、目的が立方体有界関数であることを示し、次に、三線型および双線型単相変換の凸エンベロープを用いて、その下界を導出する。 次に、変換変数上の分岐のみを効率よく実行するブランチ・アンド・バウンド(BnB)アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-01-19T04:24:23Z)
• Alternating Direction Method of Multipliers for Quantization [15.62692130672419]
  量子化のための乗算器の交互方向法(texttADMM-Q$)アルゴリズムの性能について検討する。 不正確な更新ルールを処理できる$texttADMM-Q$のいくつかのバリエーションを開発しています。 提案手法の有効性を実証的に評価した。
  論文  参考訳（メタデータ） (2020-09-08T01:58:02Z)
• Revisiting Co-Occurring Directions: Sharper Analysis and Efficient Algorithm for Sparse Matrices [23.22254890452548]
  近似行列乗算(AMM)のストリーミングモデルについて検討する。 我々は、アルゴリズムが限られたメモリでデータを1回だけ渡すことができるというシナリオに興味を持っている。 AMMストリーミングのための最先端決定論的スケッチアルゴリズムは共起方向(COD)である
  論文  参考訳（メタデータ） (2020-09-05T15:35:59Z)
• Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
  離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。 この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。 古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-01T18:43:32Z)

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。