論文の概要: A Unitary Transform Based Generalized Approximate Message Passing
- arxiv url: http://arxiv.org/abs/2210.08861v1
- Date: Mon, 17 Oct 2022 08:58:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 22:08:25.418938
- Title: A Unitary Transform Based Generalized Approximate Message Passing
- Title（参考訳）: ユニタリ変換に基づく一般化近似メッセージパッシング
- Authors: Jiang Zhu and Xiangming Meng and Xupeng Lei and Qinghua Guo
- Abstract要約: 一般化線形モデル(GLM)を用いて得られた一般非線形測定から未知信号を復元する問題を考える。
量子化された圧縮センシング実験の結果、GUAMPは相関行列$bfA$で最先端のGAMPとGVAMPを著しく上回ることがわかった。
- 参考スコア（独自算出の注目度）: 6.8176827141246
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of recovering an unknown signal ${\mathbf x}\in
{\mathbb R}^n$ from general nonlinear measurements obtained through a
generalized linear model (GLM), i.e., ${\mathbf y}= f\left({\mathbf A}{\mathbf
x}+{\mathbf w}\right)$, where $f(\cdot)$ is a componentwise nonlinear function.
Based on the unitary transform approximate message passing (UAMP) and
expectation propagation, a unitary transform based generalized approximate
message passing (GUAMP) algorithm is proposed for general measurement matrices
$\bf{A}$, in particular highly correlated matrices. Experimental results on
quantized compressed sensing demonstrate that the proposed GUAMP significantly
outperforms state-of-the-art GAMP and GVAMP under correlated matrices $\bf{A}$.
- Abstract（参考訳）: 一般化線形モデル (glm) により得られた一般非線形測定値から未知の信号 ${\mathbf x}\in {\mathbb r}^n$ を回復する問題、すなわち $f(\cdot)$ が成分的非線形関数であるような場合、${\mathbf y}= f\left({\mathbf a}{\mathbf x}+{\mathbf w}\right)$ を考える。
ユニタリ変換近似メッセージパッシング (uamp) と期待伝播 (expectation propagation) に基づいて, 一般計測行列 $\bf{a}$, 特に高相関行列に対してユニタリ変換に基づく一般化近似メッセージパッシング (guamp) アルゴリズムを提案する。
量子化された圧縮センシング実験の結果、GUAMPは相関行列$\bf{A}$で最先端のGAMPとGVAMPを著しく上回ることを示した。
関連論文リスト
- A Unified Framework for Uniform Signal Recovery in Nonlinear Generative
Compressed Sensing [68.80803866919123]
非線形測定では、ほとんどの先行結果は一様ではない、すなわち、すべての$mathbfx*$に対してではなく、固定された$mathbfx*$に対して高い確率で保持される。
本フレームワークはGCSに1ビット/一様量子化観測と単一インデックスモデルを標準例として適用する。
また、指標集合が計量エントロピーが低い製品プロセスに対して、より厳密な境界を生み出す濃度不等式も開発する。
論文 参考訳（メタデータ） (2023-09-25T17:54:19Z) - Perturbation Analysis of Randomized SVD and its Applications to
High-dimensional Statistics [8.90202564665576]
一般の「信号+雑音」の枠組みによるRSVDの統計特性について検討する。
3つの統計的推論問題に適用した場合、RSVDのほぼ最適性能保証を導出する。
論文 参考訳（メタデータ） (2022-03-19T07:26:45Z) - 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) - Feature Cross Search via Submodular Optimization [58.15569071608769]
機能工学の基本的な基礎として機能横断探索について研究する。
この問題に対して単純なgreedy $(1-1/e)$-approximationアルゴリズムが存在することを示す。
論文 参考訳（メタデータ） (2021-07-05T16:58:31Z) - Memory Approximate Message Passing [9.116196799517262]
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。
論文 参考訳（メタデータ） (2021-06-04T03:37:14Z) - 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) - Linear-Sample Learning of Low-Rank Distributions [56.59844655107251]
ktimes k$, rank-r$, matrices to normalized $L_1$ distance requires $Omega(frackrepsilon2)$ sample。
我々は、$cal O(frackrepsilon2log2fracepsilon)$ sample, a number linear in the high dimension, and almost linear in the matrices, usually low, rank proofs.というアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-30T19:10:32Z) - A Random Matrix Analysis of Random Fourier Features: Beyond the Gaussian
Kernel, a Precise Phase Transition, and the Corresponding Double Descent [85.77233010209368]
本稿では、データサンプルの数が$n$である現実的な環境で、ランダムフーリエ(RFF)回帰の正確さを特徴付けます。
この分析はまた、大きな$n,p,N$のトレーニングとテスト回帰エラーの正確な推定も提供する。
論文 参考訳（メタデータ） (2020-06-09T02:05:40Z) - Asymptotic errors for convex penalized linear regression beyond Gaussian
matrices [23.15629681360836]
雑音線形観測から係数ベクトル$x_0$ in$RN$を学習する問題を考察する。
平均二乗誤差に対する明示的な式を厳密に導出する。
我々の予測は、非常に適度なサイズであっても、数値と非常によく一致していることを示す。
論文 参考訳（メタデータ） (2020-02-11T13:43:32Z) - 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) - Gaussian Error Linear Units (GELUs) [58.195342948092964]
本稿では,入力の重み付けを行うニューラルネットワークアクティベーション関数を提案する。
コンピュータビジョン、自然言語処理、音声タスクのすべてにおいて、パフォーマンスが改善されている。
論文 参考訳（メタデータ） (2016-06-27T19:20:40Z)
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。