Fugu-MT 論文翻訳(概要): Fast Orthogonal Matching Pursuit through Successive Regression

論文の概要: Fast Orthogonal Matching Pursuit through Successive Regression

arxiv url: http://arxiv.org/abs/2404.00146v3
Date: Fri, 25 Apr 2025 03:26:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:51.70181
Title: Fast Orthogonal Matching Pursuit through Successive Regression
Title（参考訳）: 逐次回帰による高速直交マッチング
Authors: Huiyuan Yu, Jia He, Maggie Cheng,
Abstract要約: 本稿では,OMPの進歩と一般化OMPと呼ばれる拡張について述べる。提案手法は,OMPとgOMPの計算複雑性を直接的に低減する。
参考スコア（独自算出の注目度）: 4.915061940934031
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Orthogonal Matching Pursuit (OMP) has been a powerful method in sparse signal recovery and approximation. However, OMP suffers computational issues when the signal has a large number of non-zeros. This paper advances OMP and its extension called generalized OMP (gOMP) by offering fast algorithms for the orthogonal projection of the input signal at each iteration. The proposed modifications directly reduce the computational complexity of OMP and gOMP. Experiment results verified the improvement in computation time. This paper also provides sufficient conditions for exact signal recovery. For general signals with additive noise, the approximation error is at the same order as OMP (gOMP), but is obtained within much less time.
Abstract（参考訳）: OMP (Orthogonal Matching Pursuit) はスパース信号の回復と近似において強力な手法である。しかし、OMPは信号の非ゼロ数が多ければ計算上の問題に悩まされる。本稿では、入力信号の直交射影に対する高速なアルゴリズムを提供することにより、OMPとその拡張を一般化OMP(gOMP)と呼ぶ。提案手法は,OMPとgOMPの計算複雑性を直接的に低減する。実験により計算時間の改善が検証された。本稿では,正確な信号回復のための十分な条件も提供する。加算雑音を持つ一般的な信号の場合、近似誤差はOMP(gOMP)と同じ順序であるが、はるかに少ない時間で得られる。

関連論文リスト

MIMO Detection via Gaussian Mixture Expectation Propagation: A Bayesian Machine Learning Approach for High-Order High-Dimensional MIMO Systems [0.0]
効率的なアップリンク(UL) MIMO検出アルゴリズムは、これらの信号を正確に復号し、堅牢な通信を保証するために重要である。このアルゴリズムは、計算複雑性を低く保ちながら、アート検出アルゴリズムの状態を上回ります。
論文参考訳（メタデータ） (2024-12-12T08:53:23Z)
A Sample Efficient Alternating Minimization-based Algorithm For Robust Phase Retrieval [56.67706781191521]
そこで本研究では,未知の信号の復元を課題とする,ロバストな位相探索問題を提案する。提案するオラクルは、単純な勾配ステップと外れ値を用いて、計算学的スペクトル降下を回避している。
論文参考訳（メタデータ） (2024-09-07T06:37:23Z)
On Optimal Sampling for Learning SDF Using MLPs Equipped with Positional Encoding [76.78321723602636]
我々は、好ましくない副作用を伴わずに、正確な暗黙の場を学習するための適切なサンプリング率を決定するツールを考案した。 PEを具備したPEは、PE層の最高周波数成分よりも内在周波数がはるかに高いことが観察された。 SDFフィッティングの設定において,この推奨サンプリングレートは正確なフィッティング結果の確保に十分であることを示す。
論文参考訳（メタデータ） (2024-01-02T10:51:52Z)
Quantum-Based Feature Selection for Multi-classification Problem in Complex Systems with Edge Computing [15.894122816099133]
マルチクラス化問題,すなわちQReliefFに対する量子ベースの特徴選択アルゴリズムを提案する。我々のアルゴリズムは、O(M) から O(sqrt(M)) への複雑さを減らし、最も近い隣人を見つけるのに優れている。
論文参考訳（メタデータ） (2023-10-01T03:57:13Z)
Provably Convergent Subgraph-wise Sampling for Fast GNN Training [122.68566970275683]
収束保証,すなわちローカルメッセージ補償(LMC)を用いた新しいサブグラフワイズサンプリング手法を提案する。 LMCは、後方パスのメッセージパスの定式化に基づいて、後方パスで破棄されたメッセージを検索する。大規模ベンチマーク実験により、LCCは最先端のサブグラフワイドサンプリング法よりもはるかに高速であることが示された。
論文参考訳（メタデータ） (2023-03-17T05:16:49Z)
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)
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)
Denoising Generalized Expectation-Consistent Approximation for MRI Image Recovery [19.497777961872448]
逆問題では、凸最適化のステップをアプリケーション固有のデノイザへの呼び出しに置き換えるプラグイン・アンド・プレイ(DNN)法が開発され、ディープニューラルネットワーク(DNN)を用いてしばしば実装されている。このような手法は成功したが、改善できる。例えば、デノイザーは通常、ホワイトノイズを取り除くために設計・訓練されているが、ニューラルデノイザー入力誤差はホワイトやガウスから遠く離れている。本稿では,各イテレーション毎に予測可能なエラー統計情報を提供するアルゴリズムと,それらの統計情報を活用する新しい画像デノワを提案する。
論文参考訳（メタデータ） (2022-06-09T00:58:44Z)
Greedier is Better: Selecting Multiple Neighbors per Iteration for Sparse Subspace Clustering [18.888312436971187]
本稿では,一般化OMP(GOMP)を用いた新しいSSC方式を提案する。 GOMPはイテレーションが少ないため、アルゴリズムの複雑さが低い。提案した停止規則は,部分空間次元と雑音パワーのオフライン推定が不要である。
論文参考訳（メタデータ） (2022-04-06T04:20:35Z)
Fast, Accurate and Memory-Efficient Partial Permutation Synchronization [15.813217907813778]
観測された部分置換の劣化レベルを推定するための改良されたアルゴリズムCEMP-Partialを提案する。敵対的腐敗の下では、付加的なノイズが無く、特定の仮定でCEMP-Partialは、破損した部分置換を正確に分類することができる。提案手法の精度,高速化,メモリ効率を,合成データと実データの両方で実証する。
論文参考訳（メタデータ） (2022-03-30T17:41:17Z)
Towards Sample-Optimal Compressive Phase Retrieval with Sparse and Generative Priors [59.33977545294148]
O(k log L)$サンプルは振幅に基づく経験損失関数を最小化する任意のベクトルに信号が近いことを保証するのに十分であることを示す。この結果はスパース位相検索に適応し、基底信号が$s$-sparseおよび$n$-dimensionalである場合、$O(s log n)$サンプルは同様の保証に十分であることを示す。
論文参考訳（メタデータ） (2021-06-29T12:49:54Z)
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)
Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。最先端アルゴリズムの利点を論じ、解説する。
論文参考訳（メタデータ） (2020-09-28T15:22:24Z)
DeepMP for Non-Negative Sparse Decomposition [14.790515227906257]
非負の信号はスパース信号の重要なクラスを形成する。 greedyとconvexの緩和アルゴリズムは、最も人気のある方法のひとつです。このような修正の1つは、Matching Pursuit (MP) ベースのアルゴリズムのために提案されている。
論文参考訳（メタデータ） (2020-07-28T14:52:06Z)
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。