Corrupted Sensing: Novel Guarantees for Separating Structured Signals
我们研究的问题,损坏的感知,压缩感知的推广,其中一个目的是恢复一个信号从收集损坏或不可靠的测量。虽然在面对任意损坏时不能恢复任意信号,但是当信号和损坏都被适当地结构化时,易于处理的恢复是可能的。我们量化的信号恢复和两个几何措施的结构,高斯复杂性的切线锥和高斯距离的次微分之间的关系。我们采取凸规划的方法来解开信号和腐败,分析惩罚方案,权衡信号和腐败的复杂性,和约束方案,约束信号或腐败的复杂性时,先验信息是可用的。在每种情况下,我们提供的条件,从结构化腐败和稳定的信号恢复结构化腐败与非结构化噪声。我们的模拟表明,我们的理论恢复界限和在实践中观察到的尖锐的相变之间的密切协议。此外,我们提供了新的可解释的高斯复杂性的稀疏向量,块稀疏向量,低秩矩阵,这导致更清晰的保证恢复时,结合我们的结果和文献中的。
2014-02-04 cs.IT math.IT math.OC
Uniform Recovery Guarantees for Quantized Corrupted Sensing Using Structured or Generative Priors
本文针对量化损坏感知问题,利用抖动均匀量化器和亚高斯感知矩阵,为结构化先验和生成先验下的Lasso恢复建立了统一保证,并改进了量化乘积嵌入性质及误差衰减率。
2024-01-16 cs.IT eess.SP math.IT
Data recovery from corrupted observations via l1 minimization
本文研究了通过求解l1最小化问题,从一组受损的线性测量中恢复信号矢量和受损的噪声矢量的问题,其中传感矩阵是一个部分傅立叶矩阵,其行是从一个全傅立叶矩阵的行中随机均匀地选择的。在适当地选择l1最小化中的参数后,我们证明了即使当恒定分数的测量值被任意损坏时,恢复也可以成功,而且,只要信号矢量足够稀疏,损坏的测量值的比例可以任意增长到接近1。本文所要求的信号矢量稀疏性的上界是渐近最优的,并且优于文献[1,2]中通过ln(n)因子得到的结果。此外,与现有文献[1-3]相比,我们对信号向量和噪声向量的假设是宽松的,这使得我们的恢复保证更适用。广泛的数值实验的基础上合成以及现实世界的数据,以验证所提出的定理的结论,并证明潜在的l1最小化框架。
2016-01-22 cs.IT math.IT
Stable Recovery of Structured Signals From Corrupted Sub-Gaussian Measurements
本文研究了从少量的亚高斯测量中精确恢复结构化信号的问题。我们考虑三种不同的程序来重建信号和腐败时,不同种类的先验知识。在每种情况下,我们提供的条件(在测量的数量方面),从结构化的腐败与添加非结构化的噪声稳定的信号恢复。我们的结果从理论上证明了如何选择正则化参数在部分和完全惩罚恢复过程中,并揭示了三个程序之间的关系。在我们的分析中的关键成分是一个扩展的矩阵偏差不等式的各向同性次高斯矩阵,这意味着一个严格的下界的限制奇异值的扩展传感矩阵。数值实验验证了我们的理论结果。
2017-09-18 cs.IT math.IT
On the Doubly Sparse Compressed Sensing Problem
研究了压缩感知问题的一个新的变形,当被误差破坏的测量值的数量由某个值l上界,但对误差没有更多的限制。我们证明,在这种情况下,它是足够的,使2(t+1)测量,其中t是原始数据的稀疏。此外,对于这种情况下,提出了一个相当简单的恢复算法。从编码理论的Singleton界的模拟推导出证明相应的测量矩阵的最优性。
2015-09-23 cs.IT math.IT
Low-Rank Positive Semidefinite Matrix Recovery from Corrupted Rank-One Measurements
我们研究的问题,估计一个低秩半正定(PSD)矩阵从一组秩一测量使用感测向量组成的i.i.d.标准高斯项,可能被任意离群值破坏。这个问题出现在相位恢复,协方差素描,量子空间层析成像和功率谱估计等应用中。首先,我们提出了一个凸优化算法,寻求PSD矩阵的最小$\ell_1$范数的观察残差。我们的算法的优点是,它是免费的参数,因此消除了调整参数的需要,并允许容易实现。我们建立了高概率,低秩PSD矩阵可以准确地恢复,只要测量的数量是足够大的,即使当一小部分的测量被破坏的离群值与任意幅度。此外,恢复也是稳定的有界噪声。随着PSD矩阵的秩的上界的附加信息,我们提出了另一种非凸算法的基础上,次梯度下降,表现出良好的经验性能的计算效率和准确性。
2016-08-31 cs.IT math.IT
On the ISAR Image Analysis and Recovery with Unavailable or Heavily Corrupted Data
普通的ISAR雷达图像和信号可以从比采样定理要求的少得多的样本中重建,因为它们通常是稀疏的。不可用的随机定位的样本可能由信号的严重损坏部分导致。由于这些样本可以被省略并声明为不可用,因此压缩感知方法在严重损坏的信号和雷达图像的恢复中的应用是可能的。本文介绍了一种简单直接的ISAR图像恢复方法,该方法可以恢复不可用信号样本,并计算出恢复后的ISAR图像。分析了噪声的影响。对于快速机动的ISAR目标,由于ISAR图像的模糊性,稀疏性丧失。提出了一种基于非参数二次时频表示的ISAR图像稀疏性恢复方法。然而,信号和稀疏域变换之间的线性关系丢失。最近提出的梯度恢复算法适用于这种分析。在不可用数据恢复过程中,不需要信号的线性关系及其稀疏域变换。所提出的方法和结果进行了测试,几个数值例子证明预期的精度和改进。
2014-06-01 cs.IT math.IT
Analysis Based Blind Compressive Sensing
在这项工作中,我们解决的问题,盲目重建压缩感知信号,利用共稀疏分析模型。在分析模型中,假设信号乘以分析运算符会产生稀疏向量。我们提出了一种算法,学习的运营商自适应重建过程中。所产生的优化问题是通过几何共轭梯度法。通过简单地交换数据保真度项来处理不同类型的采样噪声。数值实验进行了破坏高斯以及脉冲噪声的测量,以显示我们的方法的有效性。
2013-03-26 cs.IT math.IT
Recoverability of Group Sparse Signals from Corrupted Measurements via Robust Group Lasso
本文研究了从稀疏观测值$\mathbf{M} = [\mathbf{A}_{(1)}\mathbf{y}_{1}, \cdots, \mathbf{A}_{(L)}\mathbf{y}_{L}] + \mathbf{S}$中恢复一组稀疏信号矩阵$\mathbf{Y} = [\mathbf{y}_1, \cdots, \mathbf{y}_L]$的问题,其中$\mathbf{A}_{(i)}$是已知的感知矩阵,$\mathbf{S}$是未知的稀疏误差矩阵。提出了一种鲁棒群套索(RGL)模型,通过在测量约束下同时最小化$\mathbf{Y}$的$\ell_{2,1}$ -范数和$\mathbf{S}$的$\ell_1$ -范数来恢复$\mathbf{Y}$和$\mathbf{S}$.我们证明了$\mathbf{Y}$和$\mathbf{S}$可以从RGL模型中以很高的概率精确地恢复为非常一般的一类$\mathbf{A}_{(i)}$。
2015-09-28 cs.IT math.IT math.ST
Outliers and Random Noises in System Identification: a Compressed Sensing Approach
本文研究稀疏野值和随机噪声下的鲁棒系统辨识问题。在这个问题中,通过Toeplitz矩阵观察系统参数。所有的观测值都受到随机噪声的影响,少数观测值被离群值破坏。我们减少这个问题的系统辨识稀疏纠错问题使用Toeplitz结构的实数编码矩阵。证明了Toeplitz结构矩阵在稀疏纠错中的性能保证。建立了Toeplitz结构矩阵的可纠正错误百分比的估计。当离群值和观测噪声都存在时,我们已经证明,只要观测噪声的概率密度函数在0附近不“消失”,估计误差就渐近地趋于0。未对离群值进行概率假设。
2013-05-27 cs.IT math.IT
Practical Radar Sensing Using Two Stage Neural Network for Denoising OTFS Signals
针对噪声污染下OTFS雷达感知性能下降的问题,提出先通过生成对抗网络去噪、再用卷积神经网络预测多目标距离速度的两阶段方法,低信噪比下精度优于现有方法。
2024-09-18 cs.IT math.IT
A robust parallel algorithm for combinatorial compressed sensing
University of Oxford(牛津大学);Alan Turing Institute(艾伦·图灵研究所)
本文提出鲁棒-ℓ0解码算法,用于在存在加性噪声时恢复稀疏信号,通过近似后验分布提升鲁棒性,并在高斯信号和噪声下优于现有算法。
2017-04-28 cs.IT cs.NA math.IT
Matrix Completion With Noise
紧接着压缩传感,最近出现了一个引人注目的新领域。这一领域解决了一系列具有重大实际意义的问题,即从似乎不完整甚至可能损坏的信息中恢复数据矩阵。在其最简单的形式中,问题是从其条目的小样本中恢复矩阵,并且出现在许多科学和工程领域,包括协同过滤,机器学习,控制,遥感和计算机视觉等。本文综述了矩阵完备化的新文献,指出在适当的条件下,可以通过求解一个简单的凸优化问题,即数据约束下的核范数极小化问题,从一个近似极小的元素集合中恢复出一个未知的低秩矩阵.此外,本文介绍了新的结果表明,矩阵完成是可证明准确的,即使当观察到的几个条目被破坏了少量的噪声。一个典型的结果是,可以从大约nr log^2 n噪声样本中恢复低秩r的未知n × n矩阵,误差与噪声水平成比例。我们提出的数值结果,补充我们的定量分析,并表明,在实践中,核范数最小化准确地填补了许多缺失的条目,大型低秩矩阵,从几个嘈杂的样本。矩阵补全和压缩感知之间的一些类比在整个讨论。
2009-03-18 cs.IT math.IT
Signal Estimation with Additive Error Metrics in Compressed Sensing
压缩感知通常处理从其噪声破坏的线性测量中估计系统输入,其中测量的数量小于输入分量的数量。估计过程的性能通常通过一些标准误差度量来量化,例如平方误差或支持集误差。在这种对应关系中,我们考虑一个有噪声的压缩感知问题,任何任意的误差度量。我们提出了一个简单,快速,高度通用的算法,估计原始信号,通过最小化由用户定义的误差度量。我们验证了我们的算法是最佳的,由于解耦原则,我们描述了一个一般的方法来计算任何错误度量的基本信息理论的性能限制。我们提供了两个示例度量-最小平均绝对误差和最小平均支持误差-并给出了这两种情况下的理论性能限制。实验结果表明,我们的算法优于方法,如松弛的信念传播(松弛BP)和压缩采样匹配追踪(CoSaMP),并达到建议的理论极限,我们的两个例子度量。
2013-10-04 cs.IT math.IT
Ambient Diffusion: Learning Clean Distributions from Corrupted Data
UT Austin(得克萨斯大学奥斯汀分校);UC Berkeley(加州大学伯克利分校)
本文提出环境扩散框架,通过引入额外测量失真训练扩散模型,仅利用高度损坏样本即可学习干净数据分布,并在多个基准上验证了其有效性。
2023-05-30 cs.AI cs.CV cs.IT
Parallel Gaussian Channels Corrupted by Independent States With a State-Cognitive Helper
我们考虑一个状态相关的并行高斯信道,具有独立的状态和一个共同的认知助手,其中两个发射机希望通过两个并行的子信道发送独立的信息到它们相应的接收机。每个通道被独立的加性高斯态破坏。这些状态既不为发射机所知,也不为接收机所知,但以非因果的方式为辅助器所知。助手的目标是通过减轻状态来帮助可靠的通信。外部和内部边界推导和段的容量区域的特点是各种信道参数。
2018-10-28 cs.IT math.IT
Probabilistic Recovery Guarantees for Sparsely Corrupted Signals
我们考虑稀疏干扰下稀疏信号的恢复,如Studer等人所介绍的,IEEE Trans. IT,2012年。我们提出了新的概率恢复保证这个框架,覆盖不同程度的知识的信号和干扰的支持,这是相关的大量的实际应用。我们的研究结果假设稀疏字典的特征在于相干参数,我们只需要在信号和/或干扰的随机性。所获得的恢复保证表明,可以恢复稀疏损坏的信号具有压倒性的概率,即使稀疏的信号和干扰规模(近)与测量的数量呈线性关系。
2012-09-26 cs.IT math.IT
A Lower Bound on the Estimator Variance for the Sparse Linear Model
研究了基于线性变换和加性高斯白噪声的观测值的稀疏非随机向量估计的性能。利用再生核希尔伯特空间框架,对给定的可微偏置函数(包括无偏情况)和几乎任意的变换矩阵(包括压缩感知理论中考虑的欠定情况),给出了估计方差的一个新的下界.对于稀疏向量被高斯白噪声破坏的特殊情况,即,在没有线性变换和无偏估计的情况下,我们的下界改进了先前提出的界。
2010-09-17 cs.IT math.IT math.ST
Robust Sparse Subspace Tracking from Corrupted Data Observations
VNU University of Engineering and Technology(越南国立大学工程技术大学);VNU Information Technology Institute(越南国立大学信息技术研究所);PRISME Laboratory, University of Orleans(奥尔良大学 PRISME 实验室)
本文提出基于 alpha 散度的稀疏子空间跟踪方法,在低计算复杂度和低存储条件下提升对非高斯噪声与数据损坏的鲁棒性,并在子空间跟踪和 DOA 估计中优于现有方法。
2025-09-20 cs.IT eess.SP math.IT
Reconstruction Error Bounds for Compressed Sensing under Poisson or Poisson-Gaussian Noise Using Variance Stabilization Transforms
大多数现有的从压缩测量的信号重建的界限假设的附加信号无关的噪声。然而,在许多压缩成像系统中,噪声统计由泊松或泊松-高斯噪声模型更准确地表示。在本文中,我们推导出上界的信号重建误差从压缩测量被破坏的泊松或泊松-高斯噪声。我们的界的特点如下:(1)给出了一个概率激励的,计算上易处理的凸估计量的界。该估计器惩罚信号稀疏性受到的约束,施加上界的方差稳定变换的基础上的一项近似的泊松或泊松-高斯负对数似然。(2)它们适用于稀疏以及可压缩的信号在任何正交基,并推导出压缩系统服从现实的约束,如非负性和通量保存。我们提出了广泛的数值计算结果下的信号重建不同数量的测量和不同的信号强度水平。
2018-02-12 cs.IT math.IT
Robust CS reconstruction based on appropriate minimization norm
研究了噪声鲁棒压缩感知算法。该算法允许在存在不同类型的噪声的情况下有效的信号重构,这是由于改变最小化范数的可能性。例如,常用的l1和l2范数在拉普拉斯和高斯噪声的情况下提供良好的结果。然而,当信号被柯西或三次高斯噪声破坏时,这些范数无法提供准确的重建。因此,为了实现精确的重建,l3最小化范数的应用进行了分析。算法的效率将通过示例来证明。
2015-02-20 cs.IT math.IT
Compressed sensing performance bounds under Poisson noise
本文描述了压缩感知(CS)的性能界限,其中底层的稀疏或可压缩(稀疏近似)信号是一个向量的非负强度的测量被破坏的泊松噪声。在这种情况下,标准CS技术不能直接应用,原因有几个。首先,通常的信号无关和/或有界噪声模型不适用于泊松噪声,这是非加性和信号相关。其次,CS矩阵通常被认为是不可行的,在实际的光学系统,因为他们不遵守重要的约束,如非负性和光子通量的保存。第三,典型的$\ell_2$ - $\ell_1$最小化导致高强度区域中的过拟合和低强度区域中的过平滑。在本文中,我们描述了一个可行的积极性和通量保持传感矩阵可以被构造,然后分析性能的CS重建方法的泊松数据,最大限度地减少了目标函数组成的负泊松对数似然项和惩罚措施的信号稀疏性。我们表明,作为基础信号的整体强度的增加,重建误差的上限以适当的速率衰减(取决于信号的可压缩性),但对于一个固定的信号强度,信号相关的部分的误差界实际上增长的测量或传感器的数量。这一令人惊讶的事实既在理论上得到了证明,也在物理直觉的基础上得到了证明。
2010-05-01 cs.IT math.IT
Stabilizing Nonuniformly Quantized Compressed Sensing with Scalar Companders
本文研究了从压缩感知测量数据中重构稀疏或可压缩信号的问题。基于高斯模型(有界l2范数)的量化失真的量化压缩感知(QCS)问题的先前方法产生的结果,虽然通常是可接受的,但可能不是完全一致的:重建信号的重新测量和量化不一定匹配的初始观察。量化失真反而更接近于异方差均匀噪声,方差取决于观察到的量化仓。推广我们以前的工作均匀量化,我们表明,非均匀量化器所描述的“压扩器”的形式主义,量化失真可能会更好地表征为有界加权Lp-范数(p >= 2),对于一个特定的权重。我们开发了一种新的重建方法,称为广义基追踪去噪(GBPDN),它最大限度地减少了这个加权Lp范数保真度约束下的重建信号的稀疏性。我们证明,对于B位每次测量和下过采样QCS的情况下(当测量的数量是大的信号稀疏相比),如果传感矩阵满足一个建议的广义限制等距属性,然后,GBPDN提供了稀疏信号的重建误差减少像O(2^{-B}/ \sqrt{p+1}):减少了一个因子\sqrt{p+1}相对于使用l2-范数产生的。除了QCS的情况下,我们还表明,GBPDN直接适用于异方差广义高斯噪声与可证明的重建误差减少损坏的CS测量的相关情况。最后,我们描述了一个有效的数值计算过程,通过原始-对偶凸优化方案计算GBPDN,并通过模拟证明其有效性。
2013-05-16 cs.IT math.IT
Robust Compressed Sensing using Generative Models
UT Austin(德克萨斯大学奥斯汀分校)
压缩感知的目标是从欠定的噪声线性方程组中估计高维向量。类似于经典压缩感知,这里我们假设生成模型作为先验,即,我们假设向量由深度生成模型$G: \mathbb{R}^k \rightarrow \mathbb{R}^n$表示。经典的恢复方法,如经验风险最小化(ERM),保证成功时的测量矩阵是亚高斯。然而,当测量矩阵和测量是重尾的或具有离群值时,恢复可能会显著失败。在本文中,我们提出了一个算法的启发,中位数的平均值(MENS)。我们的算法保证恢复重尾数据,即使在存在离群值。理论上,我们的研究结果表明,我们的新的基于MOM的算法享有相同的样本复杂度保证下的次高斯假设的ERM。我们的实验验证了我们的主张的两个方面:其他算法确实是脆弱的,失败的重尾和/或损坏的数据,而我们的方法表现出预测的鲁棒性。
2021-06-23 cs.IT cs.LG math.IT
Robust Distributed Phase Retrieval for Multi-View Compressive Networked Sensing With Outliers
研究分布式传感器网络中存在异常值的多视图压缩相位恢复问题,提出一种无需共享原始数据的两阶段分布式重建算法,实现全局信号幅度和局部非零信号的可靠恢复。
2025-05-30 cs.IT eess.SP math.IT
Federated Over-Air Subspace Tracking from Incomplete and Corrupted Data
Iowa State University(爱荷华州立大学)
在这项工作中,我们研究的问题,子空间跟踪缺失数据(ST-错过)和离群值(鲁棒ST-错过)。我们提出了一个新的算法,并提供了这两个问题的保证。与以往的工作不同,目前的工作并没有强加分段常数子空间变化的假设。此外,该算法比我们以前的工作简单得多(使用更少的参数)。其次,我们扩展我们的方法和它的分析,以证明解决这些问题时,数据是联邦和空中数据通信模式用于$K$对等节点和中心之间的信息交换。我们验证了我们的理论主张与广泛的数值实验。
2022-06-29 cs.IT cs.LG cs.NA
Phase Transitions in Recovery of Structured Signals from Corrupted Measurements
Beijing Institute of Technology(北京理工大学)
本文研究了从相对较少的随机测量中恢复结构化信号的问题。尖锐的相变已在实践中观察到数值时,不同的凸规划程序来解决这个问题。本文致力于提出这些现象的理论解释,采用高斯过程理论的一些基本工具。具体来说,我们确定的精确位置的相变约束和惩罚恢复程序。我们的理论结果表明,这些相变是由一些几何结构的措施,例如,切锥的球面高斯宽度和到缩放次微分的高斯(平方)距离。利用已建立的相变理论,我们进一步研究了这两种恢复过程之间的关系,并揭示了在惩罚恢复过程中选择折衷参数的最优策略(在Lagrange理论意义下).数值实验验证了我们的理论结果。
2021-01-03 cs.CV cs.IT math.IT
Compressive parameter estimation in AWGN
压缩感知是一种有效的提取稀疏分布信息的工具,其中稀疏度是一个离散的概念,指的是在信号空间的一些基础上占主导地位的非零信号分量的数量。在本文中,我们建立了一个框架,估计连续值参数的基础上压缩测量的信号被加性高斯白噪声(AWGN)。虽然基于朴素离散化的标准压缩感知已被证明会因基础失配而遭受性能损失,但我们证明这不是压缩测量的固有属性。我们的贡献总结如下:(a)我们确定所需的等距保持基本的估计理论的数量,如Ziv-Zakai界(ZZB)和Cramer-Rao界(CRB)。在这样的等距下,压缩投影可以简单地解释为“有效SNR”的降低。(b)我们证明了ZZB的阈值行为提供了一个标准,用于确定“准确”参数估计的最小测量次数。(c)我们提供了(a)中的等距所需的测量次数的详细计算,以解决混合正弦曲线中的频率估计问题。我们通过仿真表明,(b)中的设计准则对于估计单个正弦曲线的频率是准确的。
2014-01-25 cs.IT math.IT
Pinball Loss Minimization for One-bit Compressive Sensing: Convex Models and Algorithms
Shanghai Jiao Tong University(上海交通大学);KU Leuven(荷语鲁汶大学);Fudan University(复旦大学);Michigan State University(密歇根州立大学)
本文提出基于Pinball损失的凸模型及算法,用于提升一比特压缩感知在噪声数据下的解码性能。
2018-03-19 cs.IT cs.NA math.IT
A Robust Compressive Quantum State Tomography Algorithm Using ADMM
可能的状态空间维度相对于量子比特的数量呈指数增长。这一特性使得量子态层析成像技术对于识别仅仅几个量子比特的状态来说昂贵且不切实际。最近开发的方法,压缩传感,给了我们一个替代估计量子态与较少的测量。证明了该估计可以转化为一个带量子力学约束的凸优化问题。本文提出了一种求解量子凸优化问题的交替增广拉格朗日方法,目的是在给定观测量和观测期望值的情况下,恢复被稀疏噪声破坏的纯或近纯量子态。该算法速度快,对离群噪声(甚至对某些条目非常大)具有鲁棒性,并且可以分布式地解决重建问题。仿真结果验证了该算法的优越性,并与传统的最小二乘和压缩量子层析成像方法进行了比较。
2014-01-25 cs.IT math.IT
Exact recoverability from dense corrupted observations via $L_1$ minimization
本文证实了Wright \textit{et al.} \cite{WYGSM_Face_2009_J} \cite{WM_denseError_2010_J}在不同设置下首次观察到的令人惊讶的现象:给定$m$高度损坏的测量值$y = A_{Ω\bullet} x^{\star} + e^{\star}$,其中$A_{Ω\bullet}$是其行从正交矩阵$A$的行中均匀随机选择的子矩阵,并且$e^{\star}$是其非零项可以是无界的未知稀疏误差向量,我们表明,即使几乎100%的测量值被破坏,$\ell_1$最小化也可以以高概率仅从$m = C μ^2 k (\log n)^2$精确地恢复感兴趣的稀疏信号$x^{\star}$,其中$k$是$x^{\star}$和$μ= n \max_{ij} A_{ij}^2$的非零分量的数目。我们进一步保证,稳定的恢复是可能的,当测量被污染的总稀疏和小的密集错误:$y = A_{Ω\bullet} x^{\star} + e^{\star}+ ν$其中$ν$是小的密集噪声与有界能量。各种设置下的大量仿真结果也被提出来验证理论的有效性,以及说明所提出的框架的有前途的潜力。
2011-11-23 cs.IT math.IT math.ST
Quantitative recovery conditions for tree-based compressed sensing
Mathematical Institute, University of Oxford(牛津大学数学研究所)
本文提出一种简化比例-维度渐近框架,用于评估基于树结构的压缩感知的恢复保证,通过改进分析方法,得出了更精确的测量数量与稀疏度关系的定量化结果。
2016-08-15 cs.IT cs.NA math.IT
Correcting Errors in Linear Measurements and Compressed Sensing of Multiple Sources
本文提出了一种算法,用于解决矩形矩阵Φ的线性方程组Φx=y的稀疏解问题,当测量向量y受稀疏误差向量e扰动时。算法结合了贪婪和慷慨策略,能高效处理线性数据测量,无需额外冗余编码。
2013-04-15 cs.IT cs.NA math.IT
Exact simultaneous recovery of locations and structure from known orientations and corrupted point correspondences
Massachusetts Institute of Technology(麻省理工学院);Rice University(莱斯大学)
设$t_1,\ldots,t_{n_l} \in \mathbb{R}^d$和$p_1,\ldots,p_{n_s} \in \mathbb{R}^d$并考虑二分位置恢复问题:给定成对方向观测值的子集$\{(t_i - p_j) / \|t_i - p_j\|_2\}_{i,j \in [n_l] \times [n_s]}$,其中这些观测值的常数部分被任意损坏,找到$\{t_i\}_{i \in [n_ll]}$和$\{p_j\}_{j \in [n_s]}$直到全局平移和缩放。我们研究了最近引入的Shapefit算法,作为解决此二分位置恢复问题的方法。在这种情况下,ShapeFit由$d(n_l + n_s)$实变量上的简单凸规划组成。我们证明了这个程序恢复一组$n_l+n_s$ i.i.d.如果观测值由二分Erdens-Rényi图给出,则$d$足够大,并且假设涉及任何特定位置的观测值中至多有一个常数部分被逆向破坏。这个恢复定理是基于一组确定性的条件,我们证明是足够的精确恢复。最后,我们提出了一个修改后的管道结构的运动问题,基于这个二分位置恢复问题。
2015-09-16 cs.CV cs.IT math.CO
Gaussian Approximation of Quantization Error for Estimation from Compressed Data
我们考虑了高维信号$X$使用随机球码的有损压缩表示与加性高斯白噪声(AWGN)下$X$的观测之间的分布连接。我们发现,在一个AWGN信道的信号噪声比$2^{2R}-1$的$X$和它的观察的比特率- $R$压缩版本之间的Wasserstein距离是次线性的问题的维度。我们利用这一事实来连接基于$X$的AWGN损坏版本的估计器的风险,以获得相同的估计器时,其比特率- $R$量化的版本。我们证明了这种连接的有用性,推导出各种新的结果压缩约束下的推理问题,包括极大极小估计,稀疏回归,压缩感知,和线性估计在远程信源编码的普遍性。
2021-12-12 cs.IT math.IT stat.ML
Robust Spectral Compressed Sensing via Structured Matrix Completion
Stanford University(斯坦福大学);The Ohio State University(俄亥俄州立大学)
本文提出一种无需先验模型阶数的增强矩阵补全算法,用于恢复频谱稀疏信号,证明在满足一定不相干条件时,算法能在样本数超过r log⁴n时实现完美恢复,并对噪声和部分样本损坏具有鲁棒性。
2014-07-20 cs.IT cs.NA cs.SY
Robust PCA via Outlier Pursuit
Department of Electrical and Computer Engineering, The University of Texas at Austin(德克萨斯大学奥斯汀分校电气与计算机工程系)
奇异值分解(和主成分分析)是最广泛使用的降维技术之一:成功且可有效计算,但它仍然受到众所周知的,有据可查的异常值敏感性的困扰。最近的工作已经考虑了每个点都有一些任意损坏的组件的设置。然而,在SVD或PCA的应用中,如鲁棒协同过滤或生物信息学,恶意代理,有缺陷的基因,或简单的损坏或污染的实验可能会有效地产生完全损坏的整个点。我们提出了一个有效的基于凸优化的算法,我们称之为离群值追踪,在一些温和的假设下,对未损坏的点(满足,例如,通过PCA问题中的标准生成假设)恢复精确的最优低维子空间,并识别损坏点。这种不符合低维近似的损坏点的识别在生物信息学和金融应用等领域具有重要意义。我们的技术涉及使用核范数最小化的矩阵分解,然而,我们的结果,设置和方法,必然与矩阵完成和矩阵分解中的现有工作线有很大不同,因为我们开发了一种方法来恢复未损坏矩阵的正确列空间,而不是确切的矩阵本身。在任何问题中,人们试图恢复一个结构,而不是确切的初始矩阵,迄今为止开发的技术依赖于证书的最优性,将失败。我们提出了一个重要的扩展这些方法,允许治疗这样的问题。
2010-12-31 cs.IT cs.LG math.IT
Robust 1-bit Compressed Sensing with Iterative Hard Thresholding
University of California San Diego(加州大学圣地亚哥分校)
本文研究1比特压缩感知中的噪声鲁棒性,证明BIHT算法在对抗性符号翻转下,以相同测量数实现$\tilde{O}(\epsilon+\tau)$误差,保持通用性,确立了迭代硬阈值的稳定性。
2023-10-12 cs.DS cs.IT cs.LG