Multilayer hypergraph clustering using the aggregate similarity matrix
针对多层d-均匀HSBM的社群恢复问题,提出基于聚合超边计数相似性矩阵的SDP方法,并给出同配与异配情形下精确恢复的信息论参数条件。
2023-11-03 cs.IT math.IT math.PR
Weak Recovery Threshold for the Hypergraph Stochastic Block Model
研究 $r$-均匀超图随机块模型的弱恢复问题,引入多终端强数据处理不等式证明在特定参数下低于 KS 阈值时弱恢复不可能,并揭示了参数 $r$ 引发的相变与潜在信息-计算鸿沟。
2023-06-27 cs.IT math.IT math.PR
Hypergraph Spectral Clustering in the Weighted Stochastic Block Model
谱聚类是一种基于两两相似性信息划分对象的算法。虽然这种方法已经成功地应用于各种领域,但它也有局限性。原因在于,在许多其他应用中,只有\emph{multi} -路相似性度量是可用的。这促使我们探索多方式测量设置。在这项工作中,我们开发了两种算法用于这样的设置:超图谱聚类(HSC)和超图谱聚类与局部细化(HSCLR)。我们的主要贡献在于在随机超图模型下的多时间算法的性能分析,我们命名为加权随机块模型,在该模型中,对象和多路措施建模为节点和权重的超边,分别。用$n$表示节点数,我们的分析揭示了以下几点:(1)如果边权重之和(2)如果边权重的和是$Ω(n)$,则HSC输出除了节点的消失分数之外与隐藏分区一致的分区;以及(3)如果边权重的和在$n \log n$的量级上,则HSCLR精确地恢复隐藏分区。我们的结果改进了最近建立的模型下的艺术状态,他们第一次解决了二进制边权重情况下的顺序最优结果。此外,我们表明,我们的研究结果导致高效的草图算法子空间聚类,计算机视觉应用。最后,我们表明,HSCLR实现了一个特殊的但实际相关的模型的信息理论的限制,从而显示没有计算障碍的情况下。
2018-05-23 cs.IT math.IT math.ST
Graph Community Detection from Coarse Measurements: Recovery Conditions for the Coarsened Weighted Stochastic Block Model
University of Toronto(多伦多大学);Vector Institute(向量研究院);Arizona State University(亚利桑那州立大学)
我们研究的问题,社区恢复从粗测量的图。与完全观察到的图的社区恢复问题相反,人们经常遇到在低分辨率下进行图的测量时的情况,每个测量跨多个图节点集成。这种低分辨率的测量有效地诱导了一个粗糙的图,它有自己的社区。我们的目标是开发条件图的结构,数量和测量的属性,在此条件下,我们可以恢复社区组织在这个粗糙的图。在本文中,我们建立在随机块模型的数学形式化的粗化过程,并表征其对社区成员和连接的影响。通过这种新的设置和建模,我们表征了社区恢复的误差界。的误差界产生简单和封闭形式的渐近条件,以实现完美的粗图社区的恢复。
2021-02-25 cs.IT cs.LG eess.SP
Batch Codes for Asynchronous Recovery of Data
我们提出了一个新的异步批处理代码模型,允许并行恢复的信息符号从编码数据库中的异步方式,即当查询到达随机时间,他们需要不同的时间来处理。我们证明了等人研究的基于图的批处理代码是异步的。此外,我们证明了超图的Berge围长大于或等于4,分别大于或等于3,产生基于图的异步批处理代码,分别私人信息检索(PIR)代码。本文证明了超图理论的一个命题,即Berge围长固定的超图的最大超边数等于Brown,Erdés和Sós提出的超图理论(6,3)-问题的一个推广中的数量.然后,我们应用Erdans,Frankl和Rödl关于(6,3)-问题的推广(称为(3 $\varrho$-3,$\varrho$)-问题)的构造和界限,以获得基于图的异步批处理和PIR代码的冗余的批处理代码构造和界限。我们推导出的查询大小$t=2$的异步批处理代码的几个家庭的最佳冗余的界限。特别是,我们证明了$t=2$的基于图的异步批处理码的尺寸$k$的最佳冗余$ρ(k)$是$2\sqrt{k}$。此外,对于基于图形的异步批处理代码,可以使用$t \ge 3$,$ρ(k) = O\left({k}^{1/(2-ε)}\right)$,对于任何小的$ε>0$。
2020-09-05 cs.DM cs.IT math.CO
Robust Hypergraph Clustering via Convex Relaxation of Truncated MLE
KAIST(韩国科学技术院)
研究了加权$d$ -均匀超图随机块模型($d$ \textsf{-WHSBM})中的超图聚类问题,其中由来自同一社区的$d$节点组成的每条边比由来自不同社区的节点组成的每条边具有更高的期望权值.我们提出了一个新的超图聚类算法,称为\textsf{CRTMLE},并提供其性能保证下的$d$ \textsf{-WHSBM}一般参数制度。我们表明,该方法实现了顺序明智的最佳或现有的最佳结果近似平衡的社区规模。此外,我们的研究结果解决了第一个恢复保证越来越多的集群的不平衡的大小。通过理论分析和实验结果,我们证明了我们的算法对社区规模的不平衡性或离群节点的存在的鲁棒性。
2020-11-16 cs.IT cs.LG math.IT
Thresholds for Reconstruction of Random Hypergraphs From Graph Projections
研究从图投影重建随机d-均匀超图的可行性,确定d=3时的精确阈值,给出d≥4时的边界,提出高效重建算法,结果适用于轻度非均匀超图并改进了2023年HSBM恢复算法。
2025-02-12 cs.IT math.IT math.PR
Simultaneous Block-Sparse Signal Recovery Using Pattern-Coupled Sparse Bayesian Learning
University of Electronic Science and Technology of China(电子科技大学);China Academy of Engineering Physics(中国工程物理研究院)
在本文中,我们考虑块稀疏信号恢复问题的背景下,多个测量向量(MMV)与共同的行稀疏模式。我们开发了一种新的方法来恢复常见的行稀疏MMV信号,其中模式耦合的分层高斯先验模型被引入到共同的行稀疏MMV信号的系数的块稀疏性和相邻系数之间的统计依赖性的特征。与许多其他方法不同,该方法能够自动捕获未知信号的块稀疏结构。我们的方法是使用期望最大化(EM)的框架。仿真结果表明,该方法在恢复块稀疏共行稀疏模式MMV信号时具有较好的性能。
2017-11-06 cs.IT cs.LG eess.SP
Bayesian Hypothesis Testing for Block Sparse Signal Recovery
提出了一种新的块贝叶斯假设检验算法(Block-BHTA),用于重构具有未知块结构的块稀疏信号。Block-BHTA算法包括支撑点的检测和恢复,以及块稀疏信号幅度的估计。使用贝叶斯假设检验执行支持检测和恢复。然后,基于检测和重建的支持,非零幅度估计的线性MMSE。数值实验证明了Block-BHTA的有效性。
2015-08-22 cs.IT math.IT stat.ML
Exact Recovery for a Family of Community-Detection Generative Models
具有社区的网络的生成模型已经被广泛研究,因为它是建立信息理论和计算阈值的肥沃土壤。在本文中,我们提出了一个新的玩具模型种植生成模型称为种植随机能量模型(REM),德里达的REM的启发。对于这个模型,我们提供的最大似然估计的误差概率的渐近行为,因此准确的恢复阈值。作为应用,我们进一步考虑了$h$ -一致超图上的2个非等长社团加权随机块模型(2-WSBM),它等价于谱两边的P-REM,对于$h$的高边基数和低边基数.我们为任何$h$的精确可恢复性提供了上限和下限,将这些问题映射到上述P-REM。据我们所知,这些是第一个一致性结果的2-WSBM图和超图与非等大小的社区。
2019-04-30 cs.IT math.IT
High-dimensional Clustering and Signal Recovery under Block Signals
本文针对块信号结构下的高维聚类与信号恢复问题,提出CFA-PCA和MA-PCA两种自适应方法,分别处理稀疏与稠密块信号,并证明其达到计算极小化极大下界,在更弱信号条件下实现一致聚类与恢复。
2025-04-11 cs.IT math.IT math.ST
The high order block RIP condition for signal recovery
在本文中,我们考虑恢复块稀疏信号,其非零项出现在块(或集群),而不是任意散布在整个信号,从不完全线性测量。基于块RIP算法,得到了一个高阶充分条件,保证了在噪声存在的情况下能稳定恢复所有块稀疏信号,并通过混合$l_{2}/l_{1}$最小化算法,在信号不完全块稀疏的情况下能鲁棒地恢复信号.并通过一个具体的例子证明了该条件的正确性.本文提出的结果的意义在于,恢复可能是可能的,在更一般的条件下,利用块结构的稀疏模式,而不是传统的稀疏模式。
2016-10-20 cs.IT math.IT
Exact Community Recovery in Correlated Stochastic Block Models
Northwestern University(西北大学);Princeton University(普林斯顿大学)
我们考虑从多个相关网络中学习潜在社区结构的问题。研究了具有两个平衡社区的边相关随机块模型,重点研究了平均度与顶点数成对数关系的情形。我们的主要结果得出了精确的信息理论的阈值,使用多个相关图的确切社区恢复。该阈值捕获社区恢复和图匹配任务之间的相互作用。特别是,我们发现和表征的参数空间,其中精确的社区恢复是可能的,使用多个相关的图形,即使(1)这是信息理论上不可能使用一个单一的图形和(2)精确的图形匹配也是信息理论上不可能的。在这个制度中,我们开发了一种新的算法,仔细综合算法从社区恢复和图匹配文献。
2022-03-29 cs.IT cs.LG cs.SI
Recovery of Block-Sparse Representations from Noisy Observations via Orthogonal Matching Pursuit
我们研究的问题,从噪声损坏的测量块稀疏信号的稀疏模式的恢复。一个简单,有效的恢复方法,即块版本的正交匹配追踪(OMP)的方法,被认为是本文和它的行为恢复块稀疏模式进行了分析。我们提供了充分的条件下,块版本的OMP可以成功地恢复块稀疏表示存在噪声。我们的分析表明,利用块稀疏性可以提高恢复能力,并导致保证恢复更高的稀疏水平。数值结果证实了我们的理论主张。
2011-09-26 cs.IT math.IT
A sharp recovery condition for block sparse signals by block orthogonal multi-matching pursuit
我们考虑块正交多匹配追踪(BOMMP)算法恢复块稀疏信号。在无噪声情况下,基于块限制等距常数(块RIC),通过BOMMP算法获得块$K$稀疏信号的精确重建的尖锐界限。此外,我们表明,结合最小$\ell_2$范数的块$K-$稀疏信号的非零块的一个额外的条件的尖锐的界是足够的恢复块$K$ -稀疏信号的BOMMP在噪声的情况下的真正支持。我们在本文中获得的结果的意义在于,明确使用块稀疏信号的块稀疏性可以实现更好的恢复性能,而不是在传统意义上忽略问题中的附加结构。
2016-07-11 cs.IT math.IT
Block sparse signal recovery via minimizing the block $q$-ratio sparsity
在本文中,我们提出了一种方法,块稀疏信号恢复,最大限度地减少块$q$比稀疏$\left(\lVert z\rVert_{2,1}/\lVert z\rVert_{2,q}\right)^{\frac{q}{q-1}}$与$q\in[0,\infty]$。对于$1<q\leq\infty$的情形,给出了$\ell_2$有界噪声和$\ell_{2,\infty}$有界噪声两种情形的理论分析和计算算法。相应的无约束模型也进行了研究。数值实验证明了该算法在块稀疏信号重构中的优越性能。
2021-03-12 cs.IT math.IT math.OC
Enhanced block sparse signal recovery based on $q$-ratio block constrained minimal singular values
本文提出了块稀疏/压缩信号的压缩感知中测量矩阵的一种新的度量--$q$ -比块约束最小奇异值(BCMSV),并给出了计算这种新度量的算法。研究了基于$q$比BCMSV的块基追踪(BBP)、块Dantzig选择器(BDS)和群套索重建误差的混合$\ell_2/\ell_q$和混合$\ell_2/\ell_1$范数的稳定和鲁棒恢复。基于$q$ -比率块稀疏性建立了无噪声BBP精确恢复的充分条件,并提出了一个凸-凹过程来解决相应的非凸问题.此外,我们证明了次高斯随机矩阵,$q$比BCMSV是有界远离零的高概率时,测量的数量是合理的大。数值实验验证了理论结果。此外,我们证明了$q$比BCMSV为基础的误差界比块限制各向同性常数为基础的界限更紧。
2019-08-29 cs.IT eess.SP math.IT
Recovery analysis for weighted mixed $\ell_2/\ell_p$ minimization with $0<p\leq 1$
研究了当部分块支持信息可用时,加权混合$\ell_2/\ell_p\,(0<p\leq 1)$最小化算法从压缩测量重构块稀疏信号的恢复条件.我们表明,块$p$ -限制等距属性(RIP)可以确保鲁棒恢复。利用加权块$p$ -零空间性质给出了恢复的充要条件。建立了块$p$ -RIP和加权块$p$ -零空间性质之间的关系。最后,我们用一系列的数值实验来说明我们的结果。
2017-10-18 cs.IT math.IT
Block-Sparsity: Coherence and Efficient Recovery
我们考虑块稀疏信号的压缩感知,即,稀疏信号具有出现在集群中的非零系数。基于块稀疏信号的不确定性关系,我们定义了一个块相干性的措施,我们表明,块版本的正交匹配追踪算法恢复块k-稀疏信号在不超过k步,如果块相干性足够小。块稀疏性上的相同条件示出通过混合L2/L1优化方法来保证成功恢复。结果的意义在于这样一个事实,即明确使用块稀疏性可以产生更好的重建性能,而不是在传统意义上将信号视为稀疏的,从而忽略了问题中的附加结构。
2008-12-01 cs.IT math.IT
A New Analysis for Support Recovery with Block Orthogonal Matching Pursuit
压缩感知(Compressed Sensing,CS)是一种能够从线性测量中精确恢复稀疏信号的信号处理技术,其测量次数远少于经典Shannon-Nyquist定理所要求的测量次数。阻塞稀疏信号,即,其非零系数出现在几个块中的稀疏信号产生于许多场。块正交匹配追踪(BOMP)算法是一种高效的块稀疏信号恢复贪心算法。BOMP算法充分利用了块稀疏信号的块稀疏性,可以获得很好的恢复性能。本文提出了一个充分条件,以确保BOMP可以准确地恢复块$K$稀疏信号的支持在噪声的情况下。这个条件比现有的条件好。
2018-11-06 cs.IT math.IT
Compressed Sensing of Block-Sparse Signals: Uncertainty Relations and Efficient Recovery
我们考虑块稀疏信号的压缩感知,即,具有非零系数的稀疏信号出现在簇中。块稀疏信号的不确定性关系,推导出基于块相干性措施,我们介绍。然后,我们表明,块版本的正交匹配追踪算法恢复块$k$稀疏信号在不超过$k$步骤,如果块的相干性是足够小的。块一致性的相同条件下,通过混合$\ell_2/\ell_1$优化方法,以保证成功恢复。这补充了以前的恢复结果的块稀疏的情况下,依赖于小块限制等距常数。本文提出的结果的意义在于,明确使用块稀疏性可以证明产生更好的重建性能比处理信号稀疏在传统意义上,从而忽略了问题中的附加结构。
2009-06-18 cs.IT math.IT
Stopping Condition for Greedy Block Sparse Signal Recovery
对于稀疏度未知的贪婪块稀疏恢复,我们推导出一个停止条件来停止迭代过程。针对块正交匹配追踪(BOMP)算法,从概率的角度对每次迭代的残差信号能量进行建模。在迭代中,当检测到最后一个支持块时,所得到的残余信号的能量应该遭受明显的下降。在此基础上,当剩余信号的能量低于给定阈值时,我们停止迭代过程。与其他方法相比,我们推导的条件适用于BOMP恢复。此外,我们推广了文献[1]中提出的基于干扰抵消的BOMP(ICBOMP)恢复方法。仿真结果表明,我们推导的条件可以节省许多不必要的迭代,同时保证了良好的恢复精度,无论是BOMP和ICBOMP恢复。
2016-12-22 cs.IT math.IT
Block-sparse Recovery of Semidefinite Systems and Generalized Null Space Conditions
考虑了低秩矩阵通过凸核范数极小化问题的恢复问题,给出了块对角矩阵和块对角半正定矩阵的一致恢复的零空间性质(NSP).这些零空间条件被证明是新的一般设置的特殊情况,其允许从文献中导出所提到的NSP和众所周知的NSP。我们讨论了这些条件的相对强度,也提出了一个确定性的一类矩阵,满足块对角半定NSP。
2020-06-26 cs.IT math.IT math.OC
Distribution-aware Block-sparse Recovery via Convex Optimization
我们研究了从压缩采样测量重构块稀疏信号的问题。在某些应用中,除了信号的固有块稀疏结构之外,关于块支持(即,包含非零元素的块)的一些先验信息可能是可用的。虽然在贝叶斯框架下已经研究了许多块稀疏恢复算法,但是如何将关于发生概率的信息以最优的意义并入基于正则化的块稀疏恢复中仍然是不清楚的。在这项工作中,我们在这些领域之间的桥梁的一个新的概念,圆锥积分几何的援助。具体地说,我们解决了加权优化问题时的先验分布的块支持。此外,我们得到的唯一的权重,最大限度地减少预期所需的测量数量。我们对合成数据和真实数据的模拟证实,这些权重大大降低了所需的样本复杂性。
2019-02-22 cs.IT math.IT
Community detection in the hypergraph stochastic block model and reconstruction on hypertrees
本文研究超图随机块模型中的弱恢复问题,证明了在 $r\le 6$ 且度数足够大时 KS 阈值是紧的,并揭示了 $r\ge 5$ 时存在 KS 阈值不紧的参数,为信息-计算差距的存在提供了新证据。
2024-06-11 cs.IT math.IT math.PR
Exact Recovery in the Data Block Model
Statistical Laboratory, Centre for Mathematical Sciences, University of Cambridge, Cambridge, United Kingdom(剑桥大学统计实验室,数学科学中心);Department of Mathematical Sciences, Isfahan University of Technology, Isfahan, Iran(伊斯法罕技术大学数学科学系);Department of Electrical Engineering, Faculty of Engineering, University of Isfahan, Isfahan, Iran(伊斯法罕大学工程学院电气工程系)
本文研究了数据块模型中的精确恢复问题,引入了Chernoff-TV分歧来刻画精确恢复阈值,并提出高效算法和反向结果,验证了节点数据在社区检测中的辅助作用。
2026-02-05 cs.IT cs.LG math.IT
Conditioning of Random Block Subdictionaries with Applications to Block-Sparse Recovery and Regression
线性模型是统计学和信号处理文献的主要内容,在线性模型中,一组观测值被假定为由矩阵的列的线性组合给出。在线性模型下进行推理的一个特殊挑战是理解字典上的条件,在这些条件下可靠的推理是可能的。近年来,由于许多现代推理问题涉及“欠定”设置,其中观察的数量比字典中的列数要小于得多,因此这一挑战重新引起了人们的关注。本文作出了几个贡献,这种设置时,一组的意见是由一个线性组合的一小部分列的字典,被称为“块稀疏”的情况下。首先,它指定字典上的条件,在该条件下,大多数块子字典是良态的。这个结果从根本上不同于先前关于块稀疏推理的工作,因为(i)它提供了可以在多项式时间内显式计算的条件,(ii)给定的条件转化为块子字典的列数的接近最优的缩放,作为大类字典的观察数的函数,以及(iii)它表明字典的谱范数和二次平均块相干性(而不是最坏情况的相干性)从根本上限制了条件良好的块子字典的维度的缩放。其次,本文研究了欠定背景下的块稀疏恢复和块稀疏回归问题。只要字典满足容易计算的条件,并且描述列组的线性组合的系数可以通过温和的统计先验来建模,则对于某些字典,接近最优的块稀疏恢复和回归是可能的。
2016-08-28 cs.IT math.IT math.ST
Partial Recovery Bounds for the Sparse Stochastic Block Model
本文研究了对称两社区随机块模型中社区发现的信息论极限,社区内和社区间的边缘概率分别为$\frac{a}{n}$和$\frac{b}{n}$.我们考虑稀疏设置,其中$a$和$b$不随$n$扩展,并提供平均恢复的社区标签比例的上限和下限。我们提供了一个数值例子,其中的界限是接近匹配的适度值的$a - b$,并在极限匹配的$a-b$增长大。
2016-04-04 cs.IT cs.SI math.IT
Pattern-Coupled Sparse Bayesian Learning for Recovery of Block-Sparse Signals
University of Electronic Science and Technology of China(电子科技大学);Stevens Institute of Technology(史蒂文斯理工学院);Schlumberger-Doll Research Center(斯伦贝谢多尔研究中心)
我们考虑的问题,恢复块稀疏信号的结构是未知的\emph{a priori}。块稀疏信号与非零系数发生在集群自然出现在许多实际情况。然而,在实践中,对块结构的知识通常是不可用的。在本文中,我们开发了一个新的稀疏贝叶斯学习方法恢复块稀疏信号与未知的聚类模式。具体地说,模式耦合的分层高斯先验模型被引入来表征系数之间的统计依赖性,其中一组超参数被用来控制信号系数的稀疏性。与传统的稀疏贝叶斯学习框架中每个单独的超参数独立地与每个系数相关联不同,在本文中,每个系数的先验不仅涉及其自身的超参数,而且还涉及其近邻的超参数。通过这种方式,相邻系数的稀疏模式彼此相关,并且分层模型具有鼓励结构化稀疏解决方案的潜力。超参数以及稀疏信号通过期望最大化(EM)算法最大化其后验概率来学习。数值实验结果表明,该算法与现有方法相比具有一致的优越性。
2013-11-09 cs.IT cs.LG math.IT
Recovery of signals by a weighted $\ell_2/\ell_1$ minimization under arbitrary prior support information
在本文中,我们引入了一个加权的$\ell_2/\ell_1$最小化恢复块稀疏信号与任意先验支持信息。在部分先验信息可用的情况下,基于高阶块RIP,给出了一个保证加权$\ell_2/\ell_1$最小化算法稳定鲁棒恢复块稀疏信号的充分条件.然后,我们表明,如果任意先验块支持估计的准确性至少是$50\%$,充分恢复条件的加权$\ell_2/\ell_{1}$最小化是弱于由$\ell_2/\ell_{1}$最小化,和加权$\ell_2/\ell_{1}$最小化提供更好的上界的测量噪声和信号的可压缩性方面的恢复误差。此外,我们通过大量的数值实验说明了加权$\ell_2/\ell_1$最小化方法在均匀和非均匀先验信息下块稀疏信号恢复性能方面的优势。结果的意义在于,明确利用块稀疏信号的块稀疏性和部分支持信息,可以获得更好的恢复性能比处理的信号是在传统意义上,从而忽略了额外的结构和先验支持信息的问题。
2017-06-29 cs.IT math.IT
Characterization of Blind Code Rate Recovery in Linear Block Codes
Indian Institute of Technology Madras(印度马德拉斯理工学院)
本文提出了一种用于线性分组码盲码率恢复的指标,推导了其闭式表达式,并通过仿真验证了在高噪声条件下改进的码率估计方法。
2026-03-02 cs.IT math.IT
Block- and Rank-Sparse Recovery for Direction Finding in Partly Calibrated Arrays
提出了一种由位移未知的子阵组成的部分校准阵列的稀疏恢复测向方法。该方法基于混合核范数和1范数最小化,利用信号模型的块稀疏性和低秩结构。为了有效地实现一个紧凑的等价问题重新制定。新技术适用于任意拓扑结构的子阵列和子阵列流形的基于网格的采样。在一个共同的基线子阵列的特殊情况下,我们的新技术承认扩展到一个无网格的实现。如模拟所示,我们的新的块和秩稀疏的部分校准阵列的测向技术优于最先进的方法RARE在困难的情况下,低样本数,低信噪比或相关信号。
2017-02-17 cs.IT math.IT
Efficient Recovery of Block Sparse Signals via Zero-point Attracting Projection
在本文中,我们考虑块稀疏信号的压缩感知(CS),即,具有非零系数的稀疏信号出现在簇中。一个有效的算法,称为零点吸引投影(ZAP)算法,扩展到块CS的情况下。ZAP算法的块版本采用近似的$l_{2,0}$范数作为代价函数,并通过迭代在解空间中找到其最小值。对于块稀疏信号,该成本函数的局部最小值的稳定性分析下的噪声的扰动揭示了该算法的优势,其原始的非块版本的重建误差。最后,数值实验表明,所提出的算法优于其他国家的最先进的块稀疏问题的方法在各个方面,特别是在噪声下的稳定性。
2012-03-08 cs.IT math.IT
Weak recovery, hypothesis testing, and mutual information in stochastic block models and planted factor graphs
本研究证明稀疏随机块模型中弱恢复与检测任务除临界点外等价,给出检测不可行时的高效低次最优检验,还证明渐近互信息在弱恢复阈值处存在相变,且结果可推广至超图块模型与植入因子图。
2025-02-21 cs.IT cs.SI math.CO
Sharp Sufficient Conditions for Stable Recovery of Block Sparse Signals by Block Orthogonal Matching Pursuit
在本文中,我们使用块正交匹配追踪(BOMP)算法从测量值$\y=\A\x+\v$恢复块稀疏信号$\x$,其中$\v$是$\ell_2$有界噪声向量(即,$\|\v\|_2\leq ε$(对于某个常数$ε$)。基于块约束等距性质(block-RIP),研究了块稀疏信号$\x$的精确(当$\v=\0$时)和稳定(当$\v\neq\0$时)恢复的充分条件.首先,一方面,我们表明,如果$\A$满足块RIP与$δ_{K+1}<1/\sqrt{K+1}$,那么每个块$K$稀疏信号$\x$可以在$K$迭代BOMP准确或稳定地恢复。另一方面,我们表明,对于任何$K\geq 1$和$1/\sqrt{K+1}\leq δ<1$,存在一个矩阵$\A$满足块RIP与$δ_{K+1}=δ$和块$K$ -稀疏信号$\x$,使BOMP可能无法恢复$\x$在$K$迭代。然后,我们研究了恢复块$α$ -强衰减$K$ -稀疏信号的一些充分条件。我们证明了如果$\A$满足块RIP与$δ_{K+1}<\sqrt{2}/2$,那么每个$α$ -强衰减块$K$ -稀疏信号可以在$α$上的某些条件下在$K$迭代中被BOMP精确或稳定地恢复。我们新发现的充分条件块RIP的$\A$的限制比$\ell_1$最小化这一类特殊的稀疏信号。此外,对于任何$K\geq 1$、$α>1$和$\sqrt{2}/2\leq δ<1$,$\x$的恢…
2018-05-14 cs.IT math.IT
Block-Sparse Recovery via Convex Optimization
The Johns Hopkins University(约翰斯·霍普金斯大学)
给定一个由多个块组成的字典和一个只存在于几个块的范围空间中的信号,我们研究了找到信号的块稀疏表示的问题,即,使用最小块数的表示法。受信号/图像处理和计算机视觉应用(如人脸识别)的启发,我们考虑了块稀疏恢复问题,在这种情况下,每个块中的原子数是任意的,可能远远大于底层子空间的维数。为了找到信号的块稀疏表示,我们提出了两类非凸优化程序,其目标分别是最小化非零系数块的数量和非零重构向量的数量。由于这两类问题是NP-困难的,我们提出凸松弛和推导条件下,每一类的凸计划是相当于原来的非凸制定。我们的条件依赖于字典的相互和累积子空间相干性的概念,这是现有的相互和累积相干性的概念的自然概括。我们通过模拟和真实的人脸识别实验来评估所提出的凸方案的性能。我们表明,将人脸识别问题视为块稀疏恢复问题,只需25%的训练数据,就可以将最先进的结果提高10%。
2012-04-13 cs.CV cs.IT math.IT
Fast Blind Recovery of Linear Block Codes over Noisy Channels
本文针对噪声信道下线性分组码奇偶校验矩阵的盲恢复问题,提出含三部分的快速恢复方案,可组合适配不同噪声场景,在恢复性能和计算复杂度上均优于现有基于Canteaut-Chabaud的算法。
2023-05-07 cs.IT math.IT
A Rate-Optimal Construction of Codes with Sequential Recovery with Low Block Length
如果对于任何$s \leq t$被擦除的代码符号,存在$s$ -步骤恢复过程,其中在每个步骤中,我们通过接触至多$r$其它代码符号来精确地恢复一个被擦除的代码符号,则擦除代码被称为具有参数$r$和$t$的顺序恢复的代码。在同一作者在ISIT 2017上发表的早期工作中,我们给出了一种从$t$擦除中顺序恢复的二进制码的构造,具有局部参数$r$,对于给定的$r,t$,这在码率方面是最佳的,但是对于某些常数$c >1$,块长度很大,大约为$r^{c^t}$。在本文中,我们提出了一种替代的构造率最优码的任何值的$t$和任何$r\geq3$,其中的块长度是显着更小的顺序为$r^{\frac{5t}{4}+\frac{7}{4}}$(在某些情况下,顺序为$r^{\frac{3t}{2}+2}$)。我们的构造是基于围长为$t+1$的树型图的构造。我们递归地构造这些图和代码。
2018-01-21 cs.IT math.IT
Block Iterative Reweighted Algorithms for Super-Resolution of Spectrally Sparse Signals
我们提出了新的算法,提高了从欠采样信号中恢复未知连续值频率的性能。我们的迭代重新加权频率恢复算法采用从我们算法的早期步骤中获得的支持知识作为块先验信息来增强频率恢复。我们的方法提高了原子范数最小化的性能,这是一个有用的启发式恢复连续值的频率内容。数值结果表明,我们的块迭代重加权方法提供了更好的恢复性能和更快的速度比其他已知的方法。
2015-09-11 cs.IT math.IT
The high-order block RIP for non-convex block-sparse compressed sensing
本文主要研究从线性测量中恢复块稀疏信号,块稀疏信号不仅是稀疏的,而且非零元素被排列成一些块(簇),而不是任意分布在整个向量上。本文建立了基于块RIP的高阶充分条件,保证了在无噪声情况下,通过混合$l_2/l_p$最小化方法精确恢复每个块$s$ -稀疏信号,以及在存在噪声的信号不精确块稀疏的情况下,稳定和鲁棒的恢复。此外,获得了条件以压倒性的概率为真所需的随机高斯测量数的下限。最后,通过数值实验验证了算法的有效性.
2020-06-11 cs.IT math.IT
Query-Limited Community Recovery in Stochastic Block Models
Microsoft Research(微软研究院);Indraprastha Institute of Information Technology(英德拉普拉斯塔信息技术学院);University of Liverpool(利物浦大学);Aalto University(阿尔托大学)
研究在有限且带噪的网络数据访问下,通过自适应查询策略实现两社区随机块模型的精确社区恢复,并证明自适应查询可突破非自适应基准的信息论极限。
2026-06-01 cs.IT cs.LG cs.SI
The block mutual coherence property condition for signal recovery
本文研究了含噪环境下块稀疏信号的稳定恢复问题,提出了基于块互干性的充分条件与误差上界估计,首次证明了 $\ell_2/\ell_1-\alpha\ell_2$ 最小化方法稳定重建块稀疏信号的有效性,并通过数值实验验证了其性能。
2023-11-28 cs.IT math.IT
Smoothness-Constrained Image Recovery from Block-Based Random Projections
Politecnico di Torino(都灵理工大学)
在本文中,我们解决的问题的视觉质量的图像重建逐块随机投影。块的独立重建会通过沿块边界显示伪影而严重影响视觉质量。我们提出了一种方法,通过修改传感和重建过程,以便采用部分重叠的块,以加强块边界的平滑度。所提出的算法通过从块计算快速预览来实现这一点,其目的是双重的。一方面,它允许强制执行一组约束,以驱动重建算法朝向平滑的解决方案,施加块边界的相似性。另一方面,预览被用作整个块的预测器,仅允许恢复预测误差。相对于独立重建结果的质量改善可以很容易地在视觉上以及在PSNR和SSIM指数方面进行评估。
2013-10-08 cs.CV cs.IT math.IT
On the Price of Differential Privacy for Spectral Clustering over Stochastic Block Models
Nokia Bell Labs(诺基亚贝尔实验室);Princeton University(普林斯顿大学)
本文研究随机块模型下社区检测的边差分隐私谱聚类方法,提出隐私算法并刻画隐私预算与恢复准确性之间的权衡,同时给出信息论保证。
2025-05-09 cs.CR cs.IT cs.LG
Fixed point theory and semidefinite programming for computable performance analysis of block-sparsity recovery
Washington University in St. Louis(华盛顿大学圣路易斯分校)
本文利用固定点理论和半定规划计算凸块稀疏恢复算法的性能界,通过将优度度量与半定规划定义的函数的固定点关联,实现了可计算的性能界。
2011-10-05 cs.IT cs.NA math.IT
Side Information in the Binary Stochastic Block Model: Exact Recovery
在社区发现问题中,可以访问关于每个节点的标签的附加观察(边信息)。研究了具有$n$节点的二元对称随机块模型(SBM)中边信息的质量和数量对精确恢复相变的影响。当边信息由通过具有交叉概率$α$的二进制对称信道观察到的标签组成时,以及当交叉概率为$\log(\frac{1-α}α) =O(\log(n))$时,证明了边信息对相变有积极的影响,并刻画了在此条件下的新相变。当$α$为常数或足够缓慢地接近零时,即,$\log(\frac{1-α}α) = o(\log(n))$,它表明,边信息并不帮助准确的恢复。当边信息由通过具有参数$ε$的二进制擦除信道观察到的标签组成时,并且当$\log(ε)=O(\log(n))$时,示出边信息提高了精确恢复,并且表征了新的相变。如果是$\log(ε)=o(\log(n))$,则表明辅助信息没有帮助。然后将结果推广到有限基数的任意边信息。除了$M$ -ary边信息下的一种特殊情况外,本文还导出了精确恢复的充分必要条件。提出了一种有效的算法,结合边信息的影响,使用局部改进过程相结合的部分恢复算法。充分条件推导出精确恢复下,这种有效的算法。
2018-04-25 cs.IT math.IT
Community Detection with Side Information: Exact Recovery under the Stochastic Block Model
社区发现问题涉及基于观察图的边缘来对图中的节点标签进行推断。研究了具有$n$节点的二元随机块模型中附加的非图形边信息对精确恢复相变的影响。当边信息由错误概率为$α$的噪声标签组成时,证明了当且仅当$\log(\frac{1-α}α)=Ω(\log(n))$ .当边信息包括揭示一部分$1-ε$的标签,它表明,相变得到改善,当且仅当$\log(1/ε)=Ω(\log(n))$。对于由$K$特征组成的更一般的边信息,研究了两种情况:(1)~ $K$是固定的,而每个特征相对于对应节点标签的似然性随着$n$而演变,以及(2)~特征的数量$K$随着$n$而变化,但每个特征的似然性是固定的。在每种情况下,我们发现边信息何时改善了精确的恢复相变以及改善了多少。除一种特殊情况外,所计算的精确恢复的充分必要条件是严格的。在推导内界的过程中,提出了一种有效的社区发现算法的变体,该算法使用部分恢复算法与局部改进过程相结合。
2018-05-22 cs.IT math.IT
On unified view of nullspace-type conditions for recoveries associated with general sparsity structures
我们讨论了一个一般的概念,“稀疏结构”和相关的恢复稀疏信号从其线性图像的降维可能与噪声损坏。我们的方法允许统一处理(a)“通常的稀疏性”和“通常的$\ell_1$恢复”,(b)块稀疏性与可能重叠的块和相关的块- $\ell_1$恢复,和(c)低秩定向恢复核范数最小化。所提出的恢复例程是压缩感知中使用的通常的$\ell_1$最小化的自然扩张。具体来说,我们提出了零空间类型的充分条件的恢复是精确的稀疏信号在无噪声的情况下。然后,我们推导出不完美的误差界(近稀疏信号,存在观测噪声等)。在这种条件下恢复。在所有这些情况下,我们提出了有效地验证相关的零空间属性的有效性的充分条件。
2012-07-04 cs.IT math.IT math.OC
The Restricted Isometry Property of Block Diagonal Matrices for Group-Sparse Signal Recovery
群稀疏性是一种常见的低复杂度信号模型,在科学和工程的各个领域有着广泛的应用。从压缩测量中恢复这样的信号集合已经在文献中被广泛研究,假设测量算子被建模为密集填充的随机矩阵。在本文中,我们把我们的注意力转向采集模型,旨在减轻传感设备的能量消耗,通过分裂成不同的信号块的测量。更确切地说,我们提出了统一的保证组稀疏信号恢复的情况下,一些传感器获得独立的部分信号观测块对角测量矩阵建模。我们建立了一个组稀疏变形的经典限制等距性质的块对角传感矩阵作用于组稀疏向量,并提供了条件下,亚高斯块对角随机矩阵满足此组RIP的高概率。特别考虑了两种不同的情况。在第一种情况下,我们假设每个传感器都配备了一个独立绘制的测量矩阵。稍后我们通过考虑具有恒定块对角项的测量矩阵来解除这一要求。换句话说,每个传感器都配备了相同原型矩阵的副本。建立群RIP的问题被转化为一种形式,其中需要建立混沌过程的上确界的集中行为,这涉及到估计Talagrand的$γ_2$泛函。作为一个副作用的证明,我们提出了一个扩展到Maurey的经验方法,提供新的界限的覆盖数量的集合组成的有限凸组合的可能无限集。
2022-03-23 cs.IT math.IT
Community Detection and Stochastic Block Models
本专著综述了随机块模型(SBM)中社区检测的基本极限,涵盖信息论与计算权衡及精确、部分、弱恢复要求,并系统推导了图分割、半定规划、置信传播及谱方法等主要算法。
2023-10-25 cs.CC cs.IT cs.SI