論文の概要: Learning the Mathematical Property for Designing Low Mutual Coherence Binary Sensing Matrices
- arxiv url: http://arxiv.org/abs/2608.12982v1
- Date: Thu, 13 Aug 2026 09:06:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.45797
- Title: Learning the Mathematical Property for Designing Low Mutual Coherence Binary Sensing Matrices
- Title（参考訳）: 低相互コヒーレンスバイナリセンシング行列の設計のための数学的特性の学習
- Abstract要約: 本研究は, 圧縮センシング技術の成功に欠かせない, センシングマトリックスの構築である。
センサマトリックスの構成にはニューラルネットワークを用いており、このフレームワークは相互コヒーレンスが低いバイナリセンシングマトリックスを構築している。
このような特異性と新規性は、計算コストの大幅な削減をもたらし、また文学において初めて、損失関数を定義するために数学的性質を使用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this research work, we are constructing the sensing matrix, which is essential for the success of the compressive sensing technique. We have chosen a learning-based technique for the construction of the sensing matrix. The novelty and uniqueness of the proposed technique is that it does not use any data set and also does not use a specific application. It uses the mathematical property/constraint for the construction of the sensing matrix for the perfect recovery of the signal. The perfect recovery of signals is an old and still very challenging problem in real-world applications. In late 2000, compressive sensing became a popular mathematical tool for the perfect recovery of sparse signals. The core of the compressive technique is the construction of the sensing matrix, which satisfies certain special properties such as restricted isometry property (RIP), null space property (NSP), and spark property (SP). All these properties are NP-hard problems and hence computationally challenging to solve. For all practical purposes, the construction of the sensing matrix needs to achieve low mutual coherence to achieve the perfect recovery of the signals. We have used a neural network for the construction of the sensing matrix, and this framework constructs a binary sensing matrix with low mutual coherence. The entries in the matrix are generated through a shared underlying rule. The proposed architecture is simple and does not use large-scale training data sets. Such uniqueness and novelty bring a drastic reduction in computational cost, and also, for the first time in literature, the use of a mathematical property for defining the loss function. In this proposed research work, the mutual coherence property has been used in the neural network framework. Such a neural network framework brings generality, robustness, and reduces storage requirements.
- Abstract（参考訳）: 本研究は, 圧縮センシング技術の成功に欠かせない, センシングマトリックスの構築である。
我々は,センサマトリクス構築のための学習的手法を選択した。
提案手法の新規性と特異性は、データセットを一切使用せず、特定のアプリケーションも使用していないことである。
信号の完全回復のために、検出行列の構成に数学的特性/制約を用いる。
信号の完全回復は、現実世界のアプリケーションでは古いが、それでも非常に難しい問題である。
2000年末、圧縮センシングはスパース信号の完全回復のための一般的な数学的ツールとなった。
圧縮技術の中核は、制限等尺性(RIP)、ヌル空間性(NSP)、スパーク特性(SP)などの特定の特殊特性を満たすセンシング行列の構築である。
これらの性質はすべてNPハード問題であり、計算的に解くのが困難である。
全ての実用的な目的のために、検出行列の構築は、信号の完全回復を達成するために、相互コヒーレンスを低く抑える必要がある。
センサマトリックスの構成にはニューラルネットワークを用いており、このフレームワークは相互コヒーレンスが低いバイナリセンシングマトリックスを構築している。
行列のエントリは共有の基本ルールによって生成される。
提案アーキテクチャは単純で,大規模トレーニングデータセットを使用しない。
このような特異性と新規性は、計算コストの大幅な削減をもたらし、また文学において初めて、損失関数を定義するために数学的性質を使用する。
本研究は,ニューラルネットワークフレームワークにおいて相互コヒーレンス特性を用いている。
このようなニューラルネットワークフレームワークは、汎用性、堅牢性、ストレージ要件の削減をもたらす。
関連論文リスト
- Creating Intelligence: A Computational Foundation for AGI [0.0]
この研究は、集合論と超次元計算に基礎を置く新しい心の計算理論を導入する。
情報を離散集合として表現し、生物集団コードを直接モデル化する。
行列演算よりも離散論理に依存しているため、このアルゴリズムは直接インメモリハードウェアに変換される。
論文 参考訳（メタデータ） (2026-06-30T15:30:40Z) - NeuMatC: A General Neural Framework for Fast Parametric Matrix Operation [75.91285900600549]
我々は、一般的なパラメトリック行列演算タスクをエレガントに扱うtextbftextitNeural Matrix Computation Framework (NeuMatC)を提案する。
NeuMatCは、パラメータから対応する行列演算結果への低ランクかつ連続的なマッピングを教師なしで学習する。
合成と実世界の両方のデータセットの実験結果は、NeuMatCの有望な性能を示している。
論文 参考訳（メタデータ） (2025-11-28T07:21:17Z) - Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。
記号の配置に非依存であり、それによって表現される意味論にのみ依存する。
識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
論文 参考訳（メタデータ） (2024-05-12T22:18:25Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - One-Bit Compressive Sensing: Can We Go Deep and Blind? [15.231885712212083]
1ビット圧縮センシングは、1ビット雑音測定から基礎となるスパース信号の正確な回復に関係している。
盲点回復を実現する新しいデータ駆動型モデルベース手法を提案する。
論文 参考訳（メタデータ） (2022-03-13T16:06:56Z) - Equivariant neural networks for recovery of Hadamard matrices [0.7742297876120561]
本稿では,行列の列と行の置換に同値であるように設計されたメッセージパッシングニューラルネットワークアーキテクチャを提案する。
マルチレイヤパーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、さらにはトランスフォーマーといった従来のアーキテクチャに対する利点を説明している。
論文 参考訳（メタデータ） (2022-01-31T12:07:07Z) - 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) - Solving weakly supervised regression problem using low-rank manifold
regularization [77.34726150561087]
我々は弱い教師付き回帰問題を解く。
weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。
数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
論文 参考訳（メタデータ） (2021-04-13T23:21:01Z) - A Sliced Wasserstein Loss for Neural Texture Synthesis [10.093662416275693]
本稿では,物体認識に最適化された畳み込みニューラルネットワークの特徴アクティベーションから抽出した統計値に基づいて,テクスチャ損失を計算する問題に対処する。
Sliced Wasserstein DistanceをGram-matrix損失の代替として推進することを目的としています。
論文 参考訳（メタデータ） (2020-06-12T14:37:11Z) - One-step regression and classification with crosspoint resistive memory
arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。
ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。
結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文 参考訳（メタデータ） (2020-05-05T08:00:07Z)
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。