論文の概要: Deep Unfolded Latent Optimally Partitioned-l2/l1 Networks for Data-driven Block-Sparse Recovery
- arxiv url: http://arxiv.org/abs/2606.12740v1
- Date: Wed, 10 Jun 2026 23:06:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.497348
- Title: Deep Unfolded Latent Optimally Partitioned-l2/l1 Networks for Data-driven Block-Sparse Recovery
- Title（参考訳）: データ駆動型ブロックスパースリカバリのためのDeep Unfolded LatentOptimally Partitioned-l2/l1 Networks
- Authors: Takanobu Furuhashi, Hidekata Hontani, Qibin Zhao, Tatsuya Yokota,
- Abstract要約: Convex Latent OptimalLOP-l2/l1アプローチは、未知のパラメータでブロックスパース信号の回復を可能にするが、手動チューニングに依存している。
近似演算子を微分する際の数値不安定性は、Deep Unfoldingパーティションによる自動チューニングを防止する。
- 参考スコア（独自算出の注目度）: 24.849829765674357
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The convex Latent Optimal Partition (LOP)-l2/l1 approach enables block-sparse signal recovery with unknown partitions but relies on manual hyperparameter tuning. Additionally, numerical instability in differentiating its proximal operator prevents its automatic parameter tuning via Deep Unfolding (DU). To address these limitations, we propose two architectures: a stable framework utilizing implicit differentiation and a flexible variant leveraging Deep Weight Factorization (DWF). The DWF-based approach also supports nonconvex smooth data fidelity terms. Numerical experiments demonstrate that DU-LOP-l2/l1 yields competitive performance and high resilience against impulsive noise.
- Abstract（参考訳）: Convex Latent Optimal Partition (LOP)-l2/l1アプローチは、未知のパーティションでブロックスパース信号の回復を可能にするが、手動のハイパーパラメータチューニングに依存している。
さらに、その近似演算子を微分する数値不安定性は、Deep Unfolding (DU) による自動パラメータチューニングを防止する。
これらの制約に対処するために、暗黙の微分を利用した安定したフレームワークと、Deep Weight Factorization(DWF)を利用したフレキシブルなバリエーションの2つのアーキテクチャを提案する。
DWFベースのアプローチは、非凸スムーズなデータ忠実度項もサポートする。
数値実験により、DU-LOP-l2/l1は、インパルスノイズに対する競争性能と高い反発性をもたらすことが示された。
関連論文リスト
- Energy-Structured Low-Rank Adaptation for Continual Learning [78.5390284258307]
textbfEnergy-Concentrated and textbfEnergy-Ordered textbfLow-textbfRank textbfAdaptation (E$2$-LoRA)を提案する。
E$2$-LoRAは、知識を明示的に順序付けして上位のランクに集約することにより、その後のタスクの容量を解放する。
論文 参考訳（メタデータ） (2026-05-26T12:55:02Z) - Taming the Instability: A Robust Second-Order Optimizer for Federated Learning over Non-IID Data [77.19117648492104]
We present Federated Robust Curvature Optimization (FedRCO), a novel second-order optimization framework designed to improve convergence speed and reduce communication cost。
FedRCOは、効率的な近似曲率と証明可能な安定性メカニズムを統合することで、これらの課題に対処する。
我々は,FedRCOが,最先端の1次法と2次法のどちらよりも高い精度と高速な収束を実現しつつ,多種多様な非IIDシナリオに対して優れたロバスト性を実現することを示す。
論文 参考訳（メタデータ） (2026-03-30T11:37:46Z) - DualFlexKAN: Dual-stage Kolmogorov-Arnold Networks with Independent Function Control [2.071516130824992]
Kolmogorov-Arnold Networks (KAN) はこの制限をエッジ中心の学習可能な関数によって解決している。
Kanはパラメータスケーリングとアーキテクチャの剛性に悩まされており、標準正規化技術の効果的な統合を妨げる。
本稿では,DualFlexKAN(DFKAN)について紹介する。DualFlexKAN(DFKAN)は,先線形入力変換と後線形出力を独立に制御するデュアルステージ機構を備えたフレキシブルアーキテクチャである。
論文 参考訳（メタデータ） (2026-03-09T16:36:04Z) - Towards a Unified Analysis of Neural Networks in Nonparametric Instrumental Variable Regression: Optimization and Generalization [66.08522228989634]
非パラメトリックインスツルメンタル変数回帰(NPIV)における2段階最小二乗法(2SLS)アプローチのためのニューラルネットワークの最初の大域収束結果を確立する。
これは平均場ランゲヴィンダイナミクス(MFLD)を通して持ち上げられた視点を採用することで達成される。
論文 参考訳（メタデータ） (2025-11-18T17:51:17Z) - From Sequential to Recursive: Enhancing Decision-Focused Learning with Bidirectional Feedback [25.1037007382501]
DFL(Decision- Focus Learning)は、従来の予測テーマ最適化(PTO)パイプラインに代わる、エンドツーエンドの強力な代替手段として登場した。
既存のDFLフレームワークは、厳密なシーケンシャルな構造によって制限され、シーケンシャルなDFL(S-DFL)と呼ばれる。
論文 参考訳（メタデータ） (2025-11-11T09:40:58Z) - More Optimal Fractional-Order Stochastic Gradient Descent for Non-Convex Optimization Problems [2.5971517743176915]
本稿では,FOSGDとFOSGDを統合した2FOSGD法を提案する。
感度と有効次元性を追跡することにより、2SEDFOSGDは指数を動的に変調し、スラグ振動と急収束を緩和する。
論文 参考訳（メタデータ） (2025-05-05T19:27:36Z) - Effective Dimension Aware Fractional-Order Stochastic Gradient Descent for Convex Optimization Problems [2.5971517743176915]
データ駆動方式で分数指数を適応する2SED分数次勾配Descent (2SEDFOSGD)を提案する。
理論的には、この手法は、na"ive fractional SGD"で観察されるスラグや不安定な振る舞いを伴わない分数記憶の利点を保っている。
論文 参考訳（メタデータ） (2025-03-17T22:57:37Z) - A-FedPD: Aligning Dual-Drift is All Federated Primal-Dual Learning Needs [57.35402286842029]
本稿では,グローバルクライアントとローカルクライアントの仮想二重配向を構成する新しいアラインドデュアルデュアル(A-FedPD)手法を提案する。
本稿では,A-FedPD方式の非集中型セキュリティコンセンサスに対する効率を包括的に分析する。
論文 参考訳（メタデータ） (2024-09-27T17:00:32Z) - Double Duality: Variational Primal-Dual Policy Optimization for
Constrained Reinforcement Learning [132.7040981721302]
本研究では,訪問尺度の凸関数を最小化することを目的として,制約付き凸決定プロセス(MDP)について検討する。
制約付き凸MDPの設計アルゴリズムは、大きな状態空間を扱うなど、いくつかの課題に直面している。
論文 参考訳（メタデータ） (2024-02-16T16:35:18Z) - Disentangled Federated Learning for Tackling Attributes Skew via
Invariant Aggregation and Diversity Transferring [104.19414150171472]
属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。
本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。
実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
論文 参考訳（メタデータ） (2022-06-14T13:12:12Z)
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。