論文の概要: A Weighted Generalized Coherence Approach for Sensing Matrix Design

• arxiv url: http://arxiv.org/abs/2110.02645v1
• Date: Wed, 6 Oct 2021 10:44:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-08 00:29:43.478832
• Title: A Weighted Generalized Coherence Approach for Sensing Matrix Design
• Title（参考訳）: 重み付き一般化コヒーレンスアプローチによるマトリックス設計のセンシング
• Authors: Ameya Anjarlekar, Ajit Rajwade
• Abstract要約: 本稿では、センサ行列の最適化のためのよく知られた相互コヒーレンス基準の一般化を提案する。 最適化問題を解くアルゴリズムも提示される。
• 参考スコア（独自算出の注目度）: 2.3478438171452014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As compared to using randomly generated sensing matrices, optimizing the sensing matrix w.r.t. a carefully designed criterion is known to lead to better quality signal recovery given a set of compressive measurements. In this paper, we propose generalizations of the well-known mutual coherence criterion for optimizing sensing matrices starting from random initial conditions. We term these generalizations as bi-coherence or tri-coherence and they are based on a criterion that discourages any one column of the sensing matrix from being close to a sparse linear combination of other columns. We also incorporate training data to further improve the sensing matrices through weighted coherence, weighted bi-coherence, or weighted tri-coherence criteria, which assign weights to sensing matrix columns as per their importance. An algorithm is also presented to solve the optimization problems. Finally, the effectiveness of the proposed algorithm is demonstrated through empirical results.
• Abstract（参考訳）: ランダムに生成されるセンシング行列と比較して、慎重に設計された検出行列w.r.t.を最適化することは、一連の圧縮的測定値によってより良い品質の信号回復をもたらすことが知られている。 本稿では,ランダム初期条件を出発点とする知覚行列の最適化のための,よく知られた相互コヒーレンス基準の一般化を提案する。 これらの一般化を双コヒーレンス(bi-coherence)あるいは三コヒーレンス(tri-coherence)と呼び、感知行列の任意の一列が他の列のスパース線形結合に近いことを妨げている基準に基づいている。 また,重み付きコヒーレンス,重み付き二コヒーレンス,重み付き三コヒーレンス基準により,重み付き行列列に重みを割り当てることにより,重み付き行列をさらに改善するためのトレーニングデータも組み込んだ。 最適化問題を解くアルゴリズムも提案されている。 最後に,提案アルゴリズムの有効性を実証実験により示す。

関連論文リスト

• Regularized Projection Matrix Approximation with Applications to Community Detection [1.3761665705201904]
  本稿では,アフィニティ行列からクラスタ情報を復元するための正規化プロジェクション行列近似フレームワークを提案する。 3つの異なるペナルティ関数について検討し, それぞれが有界, 正, スパースシナリオに対応するように調整した。 合成および実世界の両方のデータセットで行った数値実験により、我々の正規化射影行列近似アプローチはクラスタリング性能において最先端の手法を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-05-26T15:18:22Z)
• Generalizing and Improving Jacobian and Hessian Regularization [1.926971915834451]
  対象行列をゼロから効率的な行列ベクトル積を持つ任意の行列に拡張することで、これまでの取り組みを一般化する。 提案されたパラダイムは、正方形ヤコビ行列とヘッセン行列に対称性や対角性を強制する新しい正規化項を構築することを可能にする。 本稿では、Laczosに基づくスペクトルノルム最小化を導入し、この問題に対処する。
  論文  参考訳（メタデータ） (2022-12-01T07:01:59Z)
• Generalized Leverage Scores: Geometric Interpretation and Applications [15.86621510551207]
  我々は、行列の列を特異ベクトルの任意の部分集合に関連付けるためにレバレッジスコアの定義を拡張する。 この結果を用いて、2つのよく知られた問題に対する証明可能な保証付き近似アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-06-16T10:14:08Z)
• Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
  本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。 6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-21T01:47:17Z)
• Learning a Compressive Sensing Matrix with Structural Constraints via Maximum Mean Discrepancy Optimization [17.104994036477308]
  本稿では,圧縮センシング関連回復問題に対する測定行列を得るための学習に基づくアルゴリズムを提案する。 ニューラルネットワーク関連のトピックにおけるこのようなメトリクスの最近の成功は、機械学習に基づく問題の解決策を動機付けている。
  論文  参考訳（メタデータ） (2021-10-14T08:35:54Z)
• Robust 1-bit Compressive Sensing with Partial Gaussian Circulant Matrices and Generative Priors [54.936314353063494]
  我々は,ロバストな1ビット圧縮センシングのための相関に基づく最適化アルゴリズムのリカバリ保証を提供する。 我々は,実用的な反復アルゴリズムを用いて,画像データセットの数値実験を行い,結果の相関付けを行う。
  論文  参考訳（メタデータ） (2021-08-08T05:28:06Z)
• Adversarially-Trained Nonnegative Matrix Factorization [77.34726150561087]
  非負行列ファクタリゼーションの逆学習版を検討する。 我々の定式化では、攻撃者は与えられたデータ行列に有界ノルムの任意の行列を追加する。 辞書と係数行列を最適化するために, 逆学習に触発された効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-04-10T13:13:17Z)
• Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
  マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
  論文  参考訳（メタデータ） (2020-08-31T12:28:40Z)
• Optimal Iterative Sketching with the Subsampled Randomized Hadamard Transform [64.90148466525754]
  最小二乗問題に対する反復スケッチの性能について検討する。 本研究では、Haar行列とランダム化されたHadamard行列の収束速度が同一であることを示し、ランダムなプロジェクションを経時的に改善することを示した。 これらの手法は、ランダム化次元還元を用いた他のアルゴリズムにも適用することができる。
  論文  参考訳（メタデータ） (2020-02-03T16:17:50Z)
• Relative Error Bound Analysis for Nuclear Norm Regularized Matrix Completion [101.83262280224729]
  我々は、原子核ノルム正規化行列補完に対する相対誤差を開発する。 未知行列の最適低ランク近似を回復するための相対上界を導出する。
  論文  参考訳（メタデータ） (2015-04-26T13:12:16Z)

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。