論文の概要: Eigenmatrix for unstructured sparse recovery
- arxiv url: http://arxiv.org/abs/2311.16609v2
- Date: Fri, 9 Feb 2024 08:40:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 19:53:09.166949
- Title: Eigenmatrix for unstructured sparse recovery
- Title(参考訳): 非構造スパース回収のための固有行列
- Authors: Lexing Ying
- Abstract要約: 例えば、有理近似、スペクトル関数推定、フーリエインバージョン、ラプラスインバージョン、スパースデコンボリューションなどがある。
主な課題は、サンプル値のノイズとサンプル位置の非構造性である。
本稿では、所望の近似固有値と固有ベクトルを持つデータ駆動構成である固有行列を提案する。
- 参考スコア(独自算出の注目度): 13.796981813494199
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper considers the unstructured sparse recovery problems in a general
form. Examples include rational approximation, spectral function estimation,
Fourier inversion, Laplace inversion, and sparse deconvolution. The main
challenges are the noise in the sample values and the unstructured nature of
the sample locations. This paper proposes the eigenmatrix, a data-driven
construction with desired approximate eigenvalues and eigenvectors. The
eigenmatrix offers a new way for these sparse recovery problems. Numerical
results are provided to demonstrate the efficiency of the proposed method.
- Abstract(参考訳): 本稿では,非構造化スパースリカバリ問題を一般に検討する。
例えば、有理近似、スペクトル関数推定、フーリエ逆変換、ラプラス逆変換、スパース逆畳みなどである。
主な課題は、サンプル値のノイズと、サンプル位置の構造化されていない性質である。
本稿では,所望の固有値と固有ベクトルを持つデータ駆動構成である固有行列を提案する。
eigenmatrixは、これらのスパースリカバリ問題に対して、新しい方法を提供する。
提案手法の効率性を示すために, 数値計算を行った。
関連論文リスト
- Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。
本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-10-02T04:01:38Z) - Entrywise error bounds for low-rank approximations of kernel matrices [55.524284152242096]
切り抜き固有分解を用いて得られたカーネル行列の低ランク近似に対するエントリーワイド誤差境界を導出する。
重要な技術的革新は、小さな固有値に対応するカーネル行列の固有ベクトルの非局在化結果である。
我々は、合成および実世界のデータセットの集合に関する実証的研究により、我々の理論を検証した。
論文 参考訳(メタデータ) (2024-05-23T12:26:25Z) - Multidimensional unstructured sparse recovery via eigenmatrix [13.796981813494199]
固有行列は、所望の近似固有値と1次元問題に対して提案される固有ベクトルを持つデータ駆動構成である。
このノートは多次元問題に対する固有行列アプローチを拡張している。
論文 参考訳(メタデータ) (2024-02-27T05:11:14Z) - Recovering Simultaneously Structured Data via Non-Convex Iteratively
Reweighted Least Squares [0.8702432681310401]
線形観測から多種多様低次元構造に固執するデータを復元する新しいアルゴリズムを提案する。
IRLS法は,低/複合状態の計測に好適であることを示す。
論文 参考訳(メタデータ) (2023-06-08T06:35:47Z) - Accelerated structured matrix factorization [0.0]
行列分解は、複雑な高次元データにおいて、実際の信号は一般に低次元構造にあるという考え方を利用する。
ベイジアン縮退を先取りして,高次元行列分解のための計算に便利な手法を考案する。
行と列のエンティティ間の依存性は、要素内でフレキシブルなスパースパターンを誘導することによってモデル化される。
論文 参考訳(メタデータ) (2022-12-13T11:35:01Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳(メタデータ) (2020-12-29T04:08:38Z) - A Scalable, Adaptive and Sound Nonconvex Regularizer for Low-rank Matrix
Completion [60.52730146391456]
そこで我々は,適応的かつ音質の高い"核フロベニウスノルム"と呼ばれる新しい非スケーラブルな低ランク正規化器を提案する。
特異値の計算をバイパスし、アルゴリズムによる高速な最適化を可能にする。
既存の行列学習手法では最速でありながら、最先端の回復性能が得られる。
論文 参考訳(メタデータ) (2020-08-14T18:47:58Z) - Homomorphic Sensing of Subspace Arrangements [24.823689223437917]
ホモモルフィックセンシングは、与えられた線型写像の集まりの下で、その画像から線型部分空間内の点のユニークな回復を研究する。
単一部分空間の場合のユニークなリカバリを保証する条件を提供し、その結果を部分空間配置の場合まで拡張し、単一部分空間のユニークなリカバリが雑音下で局所的に安定であることを示す。
論文 参考訳(メタデータ) (2020-06-09T09:52:15Z) - Eigendecomposition-Free Training of Deep Networks for Linear
Least-Square Problems [107.3868459697569]
我々は、ディープネットワークのトレーニングに固有分解のないアプローチを導入する。
この手法は固有分解の明示的な微分よりもはるかに堅牢であることを示す。
我々の手法は収束特性が良く、最先端の結果が得られます。
論文 参考訳(メタデータ) (2020-04-15T04:29:34Z) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳(メタデータ) (2020-03-19T15:36:31Z)
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。