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
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
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
On Phase Transition of Compressed Sensing in the Complex Domain
相变是压缩感知(CS)中稀疏-欠采样折衷的性能度量。这封信报告了我们的第一个观察和评估的经验相变的$\ell_1$最小化方法的复值CS(CVCS),这是位于远高于已知的相变的实值CS在相平面。这一结果可以被认为是现有的块稀疏CS(BSCS)相变理论的基础上的普适性论点的扩展,因为CVCS问题不满足BSCS相变理论所要求的条件,但其观察到的相变与BSCS相一致。我们的结果是通过应用最近开发的ONE-L1算法的经验评估的CVCS的相变。
2011-10-30 cs.IT math.IT
On the Error in Phase Transition Computations for Compressed Sensing
在高斯系综压缩感知问题中,估计统计维数是确定渐近相变的常用工具。不幸的是,统计维度的准确评估是非常困难的,它已成为标准,以取代它的上限。为了确保这种技术是合适的,[1]已经引入了统计维度及其近似值之间的差距的上限。在这项工作中,我们首先表明,在[1]中的一些低维模型,如全变差和$\ell_1$分析最小化的误差界变得不太大。接下来,我们开发了一个新的误差界,与[1]相比,它显着改善了估计差距。特别是,不像[1]中的界限不适用于过完备字典的设置,我们的界限在这种情况下表现出衰减行为。
2019-06-05 cs.IT 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
Phase Transitions in Phase-Only Compressed Sensing
本文研究相位压缩感知的相变位置,证明其由下降锥的统计维数决定,并给出稀疏信号和低秩矩阵的精确公式,表明相位测量比线性测量更高效,反驳了先前猜想。
2025-01-21 cs.IT eess.SP math.IT
Optimal Phase Transitions in Compressed Sensing
压缩感知处理从线性编码的模拟信号的有效恢复。本文提出了一种压缩感知的统计研究,通过建模的输入信号作为一个独立同分布。已知分布的过程。三类编码器,即最佳非线性,最佳线性和随机线性编码器。专注于最佳解码器,我们调查的测量速率和重建保真度之间的基本权衡衡量的错误概率和噪声灵敏度的存在和不存在的测量噪声,分别。最佳相变阈值被确定为输入分布的函数,并与通过流行的重建算法实现的次优阈值进行比较。特别是,我们表明,高斯传感矩阵的相变阈值不会产生任何惩罚相对于最佳非线性编码。我们的研究结果还提供了一个严格的理由,以前的结果的基础上副本在弱噪声制度。
2012-07-11 cs.IT math.IT math.ST
Universally Elevating the Phase Transition Performance of Compressed Sensing: Non-Isometric Matrices are Not Necessarily Bad Matrices
在压缩感知问题中,$\ell_1$最小化或基追踪被认为是多项式时间算法中具有最好的可恢复稀疏性的可证明相变性能。寻找性能优于$\ell_1$最小化的替代多项式时间算法具有重要的理论和实际意义。\cite{Icassp reweighted l_1}、\cite{Isit reweighted l_1}、\cite{XuScaingLaw}和\cite{iterativereweightedjournal}已经表明,两级重新加权的$\ell_1$最小化算法可以提高其非零元素遵循幅度概率密度函数(pdf)$f(\cdot)$的信号的相变性能,该幅度概率密度函数(pdf)$f(\cdot)$的$t$是某个整数$t \geq 0$的三阶导数$f^{t}(0) \neq 0$。然而,对于其非零元素在分布中严格地从零悬挂的信号(例如,常数模,对于某些非零实数$d$仅取值“$+d$”或“$-d$”),没有已知的多项式时间信号恢复算法提供比简单的$\ell_1$最小化更好的相变性能,特别是对于密集感测矩阵。在本文中,我们表明,一个多项式时间算法可以普遍提高压缩感知的相变性能相比,$\ell_1$最小化,即使是恒模非零元素的信号。相反,传统的智慧,压缩感知矩阵是等距的,我们表明,非等距矩阵不一定是坏的传感矩阵。在本文中,我们还提供了一个框架,用于恢复稀疏信号时,传感矩阵是不等距的。
2013-07-17 cs.IT math.IT math.OC
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
Phase transition in compressed sensing using log-sum penalty and adaptive smoothing
Graduate School of Information Sciences, Tohoku University(东北大学信息科学研究院);Department of Physics, Sapienza University of Rome(罗马大学物理系);Department of Physics, Institute of Science Tokyo(东京科学大学物理系);Research and Education Institute for Semiconductors and Informatics, Kumamoto University(熊本大学半导体与信息学研究与教育学院);Sigma-i Co., Ltd.(Sigma-i有限公司)
研究提出自适应平滑策略以提升压缩感知中稀疏信号恢复的稳定性,通过评估高斯测量矩阵的精确恢复阈值,证明该方法在更广区域实现精确恢复,但受亚稳态影响难以达到信息论极限。
2026-11-17 cond-mat.dis-nn cs.IT math.IT
Phase Transition in Binary Compressed Sensing via Annealing with Adaptive Regularization
Tohoku University(东北大学);Institute of Science Tokyo(东京科学大学);Sigma-i Co., Ltd.(Sigma-i有限公司)
该研究提出一种结合系统搜索与随机森林回归的正则化选择方法,用于退火式二元压缩感知,使恢复相变接近理论边界,并发现量子-经典混合求解器在部分参数空间均方误差更小。
2026-09-16 cs.IT math.IT quant-ph
Accurate Prediction of Phase Transitions in Compressed Sensing via a Connection to Minimax Denoising
压缩感知假设,在一定范围内,人们可以对稀疏信号进行欠采样,但仍能准确地重建它。了解这种欠采样的精确限制对于理论和实践都很重要。我们提出了一个公式,广义稀疏对象的特征允许欠采样。该公式适用于压缩感知的近似消息传递(AMP)算法,在这里推广到采用除传统的标量软阈值去噪算子。本文给出了几个例子,包括标量降噪不来自凸惩罚-公司收缩非线性和极大极小非线性-和非标量降噪-块阈值,单调回归,总变差最小化。令变量eps = k/N和delta = n/N表示用于根据y=Ax_0对k-广义稀疏N-向量x_0进行采样的广义稀疏度和欠采样分数。这里A是n \times N测量矩阵,其条目是iid标准高斯。该公式指出,区分AMP对x_0的成功重建与不成功重建的相变曲线delta = delta(eps)由下式给出:|降噪器),其中M(eps| Denoiser)表示直接观察问题y = x + z中指定的最佳调谐去噪器的每坐标最小最大均方误差(MSE)。简而言之,无噪声欠采样问题的相变与去噪问题中的极小极大MSE相同。
2013-01-08 cs.IT math.IT math.ST
Compressed Sensing of Approximately-Sparse Signals: Phase Transitions and Optimal Reconstruction
压缩感知被设计为以压缩形式直接测量稀疏信号。然而,大多数感兴趣的信号仅是“近似稀疏的”,即,即使信号仅包含相关(大)分量的一小部分,其他分量也不严格等于零,而是仅接近零。本文将近似稀疏信号建模为小分量高斯分布,研究了其压缩感知问题。我们使用副本计算,以确定贝叶斯最佳重建的均方误差,这样的信号,作为小组件的方差,大组件的密度和测量速率的函数。然后,我们使用的G-AMP算法,我们量化的区域参数,该算法实现最优(大型系统)。最后,我们表明,在该地区的GAMP均匀的测量矩阵不是最佳的,一个特殊的“播种”设计的空间耦合测量矩阵允许恢复最优。
2012-07-09 cond-mat.stat-mech cs.IT math.IT
0-1 phase transitions in sparse spiked matrix estimation
International Center for Theoretical Physics(国际理论物理中心);Ecole Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
我们考虑估计的秩一矩阵(尖峰)被加性高斯噪声矩阵在稀疏极限损坏的统计模型。在这种限制下,潜在的隐藏向量(其构造秩一矩阵)具有多个非零分量,这些非零分量与向量的总维度成次线性比例,并且信号强度以适当的速度趋于无穷大。我们证明了显式的低维变分公式之间的渐近互信息的尖峰和所观察到的噪声矩阵在适当的稀疏限制。对于Bernoulli和Bernoulli-Rademacher分布向量,当稀疏度和信号强度满足适当的比例关系时,这些公式意味着渐近最小均方误差的0-1相变。最近在稀疏高维线性回归(压缩感知)的背景下分析了类似的相变。
2019-11-12 cond-mat.dis-nn cs.IT cs.LG