New Construction of Complementary Sequence (or Array) Sets and Complete Complementary Codes (II)
在此之前,我们已经提出了一个框架,使用基于仿酉(PU)矩阵的方法来构造新的互补序列集(CSS),完全互补码(CCC),互补序列阵列(CSA)和完全互补阵列(CCA)。在本文中,我们引入了一类新的延迟矩阵的PU建设。通过这种方式,从PU矩阵导出的广义布尔函数(GBF)可以由大小为$2\times 2 \times \cdots \times 2$的数组表示。此外,我们介绍了一种新的方法来构造PU矩阵使用分块矩阵。有了这两个新的成分,我们的新框架可以构建一个非常大的数量新的CSA,CCA,CSS和CCC,他们各自的GBF也可以递归确定。此外,我们还证明了Paterson和Schmidt分别提出的CSS的构造以及基于Reed-Muller码的CCC都是这种新框架的特例。此外,我们还解释了Paterson在2000年提出的开放问题中序列的PMEPR的界。
2020-05-12 cs.IT math.IT
Probability distributions over CSS codes: two-universality, QKD hashing, collision bounds, security
本文通过引入新型等距映射,刻画CSS码上的概率分布,证明二泛QKD哈希协议的安全性依赖于随机矩阵的纯化态,并给出安全界。
2026-07-02 cs.IT math.IT math.PR
CSS Quantum LRCs with Intersecting Recovery Sets: Constructions and Bounds
Technical University of Munich(慕尼黑工业大学)
该研究构造了具有相交恢复集的CSS量子本地可恢复码,推导其相关界并证明构造的码族兼具高码率与非平凡最小距离。
2026-08-12 cs.IT math.IT quant-ph
Lifted-Product QLDPC Codes in the Polynomial Domain
Klipsch School of Electrical and Computer Engineering, New Mexico State University(新墨西哥州立大学克利普施电气与计算机工程学院);School of Electrical, Computer and Energy Engineering, Arizona State University(亚利桑那州立大学电气、计算机与能源工程学院);Departments of Mathematics and Electrical Engineering, University of Notre Dame(圣母大学数学与电气工程系)
本文提出多项式域有限长度提升积QLDPC码的结构化构造方案,基于商环构建,经实例验证可通过基准解码器在去极化信道实现良好性能。
2026-09-02 cs.IT math.IT
Near Optimal Compressed Sensing of a Class of Sparse Low-Rank Matrices via Sparse Power Factorization
同时稀疏和低秩矩阵的压缩感知使得能够从其双线性形式的一些线性测量中恢复稀疏信号。一个重要的问题是,在存在测量噪声的情况下,需要多少测量才能进行稳定的重建。与稀疏向量的传统压缩感知不同,其中通过$\ell_1$范数的凸松弛实现了接近最优的性能,对于稀疏低秩矩阵的压缩感知,最近Oymak等人已经表明,即使在无噪声的情况下,使用核范数和混合范数的凸规划也是高度次优的。我们提出了一种交替最小化算法称为稀疏功率分解(SPF)的稀疏秩一矩阵的压缩感知。对于一类稀疏表示系数快速衰减的信号,SPF实现了由它们的外积形成的秩1矩阵的稳定恢复,并且需要在信息理论基本限制的对数因子内的测量次数。对于一般稀疏低秩矩阵的恢复,我们提出了子空间级联SPF(SCSPF),它具有类似的接近最优的性能保证SPF在秩1的情况下。数值结果表明,SPF和SCSPF经验优于凸规划使用最好的已知组合的混合范数和核范数。
2016-06-30 cs.IT math.IT
On construction and analysis of sparse random matrices and expander graphs with applications to compressed sensing
我们重新审视稀疏随机矩阵的概率构造,其中每列都有固定数量的非零,其行索引是随机均匀绘制的。这些矩阵与无损扩展图的邻接矩阵有一一对应的关系。我们目前的概率,这些图的邻居集的基数将小于预期值的尾界。通过分析使用{ \em并矢分裂}技术的集合的工会中的冲突的界限。这种分析导致推导出更好的常数,允许无损扩展图的存在的定量定理,因此我们考虑的稀疏随机矩阵,以及使用稀疏非均值零测量矩阵时的定量压缩感知采样定理。
2013-07-24 cs.IT math.IT
Quantum XYZ Stabilizer Codes
Università Politecnica delle Marche(马尔凯理工大学);German Aerospace Center (DLR)(德国航空航天中心)
研究引入量子XYZ稳定器码,其校验矩阵由三个两两正交的二元校验矩阵构建。刻画了其坍缩情况,推导量子最小距离界,包含已知非CSS拓扑码,产生稀疏qLDPC构造,模拟显示该码在有限长度下性能优于CSS qLDPC。
2026-10-30 cs.IT math.IT quant-ph
On the construction of sparse matrices from expander graphs
我们重新回顾了[4]中提出的扩张图邻接矩阵概率构造的渐近分析。有了更好的界限,我们得出了一个新的减少样本的复杂性,这些矩阵的每列的非零数,正是$d = \mathcal{O}\left(\log_s(N/s) \right)$,而不是标准的$d = \mathcal{O}\left(\log(N/s) \right)$。这给出了见解,为什么使用小$d$在涉及此类矩阵的数值实验中表现良好。此外,我们推导出定量采样定理,我们的建设,这表明我们的建设优于现有的国家的最先进的。我们还使用我们的结果来比较稀疏恢复算法的性能,这些矩阵用于线性素描。
2018-05-15 cs.IT math.IT
Balanced Sparsest Generator Matrices for MDS Codes
我们发现,给定$n$和$k$,对于足够大的$q$,总是存在一个$[n, k]_q$ MDS码,其生成矩阵$G$满足以下两个条件:(C1)稀疏:$G$的每一行都有汉明重量$n - k + 1$ ;(C2)平衡:$G$的列的汉明重量彼此最多相差一个。
2013-01-22 cs.IT math.IT
Compressed Neighbour Discovery using Sparse Kerdock Matrices
我们研究了无线网络中的网络范围内的邻居发现问题,其中网络中的每个节点都必须发现其邻居的网络接口地址(NIA)。我们在Guo和Zhang(2010)提出的快速开-关划分双工框架内工作,其中所有节点被分配不同的开-关签名,这允许它们在其关时隙期间监听相邻节点的传输,导致每个节点处的压缩感知问题,其中折叠码本由给定节点的传输签名确定。我们提出稀疏Kerdock矩阵作为邻居发现问题的码本。这些矩阵与基于Reed Muller码的某些Delsarte-Goethals帧共享相同的行空间,同时非常稀疏。我们目前的数值实验,使用两种不同的压缩感知恢复算法,一步重采样保持(OST)和归一化迭代硬重采样保持(NIHT)。对于这两种算法,与Zhang和Guo(2011)提出的基于具有随机擦除的Reed Muller码的码本相比,使用稀疏Kerdock矩阵成功识别出更高比例的邻居。我们认为,这种改进是由于稀疏Kerdock矩阵在根据给定节点的传输签名折叠时具有更好的干扰消除特性。我们通过显式计算表明,从稀疏Kerdock矩阵产生的折叠码本的相干性仍然接近最佳。
2018-01-14 cs.IT math.IT
High-Rate Quasi-Dyadic Quantum LDPC Codes
Università Politecnica delle Marche(马尔凯理工大学);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
本文提出基于准二元矩阵的高速率CSS量子LDPC码,其Tanner图围长至少为6,并精确计数四元表示中4环数量,模拟显示其有限长度逻辑错误率性能与最先进码相当。
2026-10-01 cs.IT math.IT
Capacity Achieving Linear Codes with Random Binary Sparse Generating Matrices
本文证明了具有随机二元稀疏生成矩阵的可达容量线性码的存在性。文献中关于可达容量线性码存在性的结果仅限于具有等概率生成矩阵元素和稀疏奇偶校验矩阵的随机二元码。此外,文献中所报道的具有稀疏生成矩阵的码并没有被证明是容量实现的。相对于文献中现有的结果,这是基于最佳的最大后验解码器,所提出的方法是基于不同的解码器,因此是次优的。我们还展示了一个有趣的权衡之间的稀疏性的生成矩阵和错误指数(一个常数,它决定如何指数快速的错误的概率衰减块长度趋于无穷大)。一个有趣的观察是,对于小的块大小,较少的稀疏生成矩阵具有更好的性能,而对于大的块大小,随机生成矩阵的性能变得与稀疏性无关。此外,我们证明了存在的能力,实现线性码与一个给定的(任意低)密度的行上的生成矩阵。除了证明能力实现稀疏码的存在,我们的论文的一个重要结论是,对于一个足够大的代码长度,没有搜索是必要的,在实践中找到一个确定性的矩阵证明,任何任意选择的序列的稀疏生成矩阵的能力实现高概率。本文重点研究了二进制对称信道和二进制擦除信道。
2011-08-30 cs.IT math.IT
Quantum LDPC and High-Rate CSS Codes from Fair-Density Parity-Check Codes
Northeastern University(东北大学)
本文从经典FDPC码构造qLDPC与高码率CSS码,通过结构化稀疏化与超图乘积得到可控参数的有限长码,提出qFDPC码,且是首个兼具有限长认证距离与低权重逻辑多重性解析表征的非表面码类qLDPC框架。
2026-09-02 cs.IT math.IT
Hash Property and Coding Theorems for Sparse Matrices and Maximum-Likelihood Coding
本文的目的是证明几个编码问题的可并行性,通过使用稀疏矩阵(最大列重量随块长度的递增)和最大似然(ML)编码。这些问题是Slepian-Wolf问题、Gel'fand-Pinsker问题、Wyner-Ziv问题和One helps-one问题(在解码器处具有部分边信息的信源编码)。为此,引入了函数系综的散列性质的概念,并证明了$q$ -ary稀疏矩阵的系综满足散列性质.基于这一性质,证明了采用稀疏矩阵和最大似然(ML)编码的码率可以达到最优码率。
2009-03-19 cs.IT math.IT
Deterministic construction of sparse binary and ternary matrices from existing binary sensing matrices
在目前的工作中,我们讨论了从现有的两个二进制传感矩阵构造稀疏的二进制和三进制矩阵的过程。我们构造的矩阵有几个有吸引力的属性,如较小的密度,这支持低计算复杂性的算法。作为我们的方法的一个应用,我们表明,CS矩阵的一般行大小不同于$p, p^2, pq$(对于不同的素数$p,q$)可以被构造。
2015-03-04 cs.IT math.IT math.OC
Splitting Alternating Algorithms for Sparse Solutions of Linear Systems with Concatenated Orthogonal Matrices
Shenzhen International Center for Industrial and Applied Mathematics, SRIBD, The Chinese University of Hong Kong, Shenzhen(深圳国际应用数学中心,SRIBD,香港中文大学(深圳));School of Mathematics and Statistics, Shandong University of Technology(山东理工大学数学与统计学院)
针对含拼接正交矩阵的线性系统,提出TSAA与MSAA分裂交替算法,将大规模系统分解为较小耦合子系统求解,并证明在相干性条件下全局收敛且迭代效率更高。
2025-09-29 cs.IT math.IT
Efficient Private Storage of Sparse Machine Learning Data
我们考虑的问题,保持稀疏性在私人分布式存储的机密机器学习数据。在许多应用中,例如,在人脸识别中,机器学习算法中使用的数据由可以被有效地存储和处理的稀疏矩阵表示。然而,保持完美的信息理论隐私的机制需要将稀疏矩阵编码成随机稠密矩阵。已经表明,在对存储节点的某些限制下,稀疏性可以以放松完美的信息理论隐私要求为代价来维持,即,允许一些信息泄漏。在这项工作中,我们解除了对存储节点的限制,并表明稀疏性和可实现的隐私保证之间存在权衡。我们专注于设置的非勾结节点,并构建了一个编码方案,编码的稀疏输入矩阵到矩阵所需的稀疏度,同时限制信息泄漏。
2022-06-14 cs.IT math.IT
Robust Sensing of Low-Rank Matrices with Non-Orthogonal Sparse Decomposition
针对具有非正交稀疏秩1分解的低秩矩阵恢复问题,提出一种可通过交替最小化求解的变分公式,证明其全局最优解的逼近精度,并推导多类测量下的重构保证,数值实验验证了理论有效性。
2023-06-12 cs.IT math.IT
Entanglement-Assisted Quantum Locally Recoverable Codes: Characterizations, Bounds, and Constructions
Nanyang Technological University(南洋理工大学);VinUniversity(越南大学);City University of Hong Kong(香港城市大学);Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Hefei University of Technology(合肥工业大学)
该研究针对量子局部可恢复码的约束限制,引入纠缠辅助量子局部可恢复码(EAQLRCs),建立其界与构造框架,得到首批明确的EAQLRCs最优码族。
2026-07-30 cs.IT math.IT
Nonuniform Sparse Recovery with Subgaussian Matrices
压缩感知预测可以从高度不完整的信息中恢复足够稀疏的向量。有效的恢复方法,如$\ell_1$ -最小化找到稀疏的解决方案,某些系统的方程。随机矩阵已经成为测量矩阵的流行选择。实际上,对于这样的矩阵,已经显示出接近最优的均匀恢复结果。在本文中,我们专注于使用高斯随机矩阵和$\ell_1$ -最小化的非均匀恢复。我们提供了一个条件的稀疏性和信号长度,保证了一个固定的稀疏信号可以恢复与随机抽取的矩阵使用$\ell_1$ -最小化的样本数。这个条件中的常数2是最优的,并且与Donoho和Tanner的类似结果相比,证明相当短。
2011-08-16 cs.IT math.IT math.PR
Deep Unfolding Basis Pursuit: Improving Sparse Channel Reconstruction via Data-Driven Measurement Matrices
对于工作在频分双工模式下的大规模多输入多输出(MIMO)系统,下行链路信道状态信息(CSI)获取将导致较大的开销。当采用稀疏信道估计技术时,由于角域中的信道稀疏性,该开销显著减少。当实现稀疏信道估计方法时,与导频矩阵相关的测量矩阵对信道估计性能至关重要。现有的稀疏信道估计方案广泛采用随机测量矩阵,这已被批评为他们的次优重建性能。本文提出了新的数据驱动的解决方案来设计测量矩阵。基于模型的自编码器被定制为通过展开经典的基追踪算法来优化测量矩阵。所获得的数据驱动的测量矩阵应用到现有的稀疏重建算法,导致灵活的混合数据驱动的实现稀疏信道估计。数值结果表明,所提出的数据驱动的测量矩阵可以实现更准确的重建,并使用更少的测量比现有的随机矩阵,从而导致更高的可实现的CSI采集率。此外,与现有的基于纯深度学习的稀疏重建方法相比,所提出的混合数据驱动方案,其使用新的数据驱动测量矩阵与传统的稀疏重建算法,可以实现更高的重建精度。
2022-03-27 cs.IT eess.SP math.IT
Sparse Signal Processing with Frame Theory
许多新兴的应用涉及稀疏信号,它们的处理是一个积极的研究课题。我们希望一大类的传感矩阵,使用户能够辨别测量的稀疏信号的重要属性。特别感兴趣的是具有限制等距属性(RIP)的矩阵。已知RIP矩阵能够有效且稳定地重构足够稀疏的信号,但是已经证明这种矩阵的确定性构造非常困难。在这篇论文中,我们讨论这个矩阵设计问题的背景下,一个不断增长的研究领域称为框架理论。在前两章中,我们建立了等角紧框架和全火花框架的大家族,我们讨论了它们与RIP矩阵的关系以及它们在稀疏信号处理的其他方面的效用。在第3章中,我们将为确定性RIP矩阵铺平道路,评估各种演示RIP的技术,并与图论和数论建立有趣的联系。我们在第4章中总结了RIP的一个基于相干性的替代方案,它为稀疏信号处理的各个方面提供了接近最优的概率保证,同时允许整个主机的确定性结构。
2012-04-26 cs.IT math.FA math.IT
Sparse matrices for weighted sparse recovery
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文首次提出加权ℓ1最小化在稀疏随机矩阵和加权稀疏信号中的稀疏恢复保证,通过加权空空间性质推导,并展示其计算效率优于密集矩阵。
2016-05-09 cs.CC cs.IT cs.NA
Compressed sensing with sparse, structured matrices
在压缩感知问题的背景下,我们提出了一种新的稀疏随机矩阵的集合,它允许(i)在N的时间线性内获取和压缩长度为N的ρ0稀疏信号,以及(ii)通过使用在N的时间线性内运行的消息传递算法(期望最大化置信传播)来完美地恢复以α速率压缩的原始信号。在大N限制下,本文提出的方案非常接近理论界ρ0 = α,因此它是最优的和有效的(线性时间复杂度)。更一般地说,我们表明,几个密集的随机矩阵的合奏可以转换成合奏的稀疏随机矩阵,具有相同的阈值,但低得多的计算复杂性。
2013-04-12 cond-mat.dis-nn cond-mat.stat-mech cs.IT
Sparse superposition codes under VAMP decoding with generic rotational invariant coding matrices
稀疏叠加码最初是作为一种在高斯信道上实现容量的通信方案而提出的,其编码矩阵由独立同分布组成。我们将该编码方案扩展到具有任意频谱的旋转不变编码矩阵的更通用的集合,其包括高斯集合作为特殊情况。我们进一步介绍和分析了一种基于向量近似消息传递(VAMP)的译码器,基于标准的副本对称势理论和状态演化分析,我们的主要发现是某些结构化的编码矩阵集合(如部分行正交)与i.i.d.矩阵,以及VAMP阈值的频谱独立上限。最重要的是,我们推导出一个简单的“频谱标准”的计划是在同一时间的容量实现,同时具有最好的算法阈值,在“大部分大小”的渐近极限。因此,我们的研究结果提供了实用的设计原则,在这个有前途的通信方案的编码矩阵。
2022-05-26 cond-mat.dis-nn cs.IT math.IT
Construction of Codes for Wiretap Channel and Secret Key Agreement from Correlated Source Outputs by Using Sparse Matrices
本文的目的是证明编码定理的窃听信道编码问题和秘密密钥协商问题的基础上的概念的哈希性质的一个集合的功能。这些定理意味着使用稀疏矩阵的码可以达到最佳速率。此外,还证明了窃听信道和秘密密钥协议的固定速率通用编码定理。
2010-04-09 cs.CR cs.IT math.IT
Two step recovery of jointly sparse and low-rank matrices: theoretical guarantees
我们介绍了一个两步算法的理论保证,以恢复一个联合稀疏和低秩矩阵的欠采样测量其列。该算法首先使用列的一组公共测量来估计矩阵的行子空间。在第二步中,使用简单的最小二乘算法解决矩阵的子空间感知恢复。在从欠采样测量中恢复CINE数据的背景下验证了结果;当采样条件满足时,我们获得了良好的恢复。
2015-06-02 cs.IT math.IT stat.ML
On RIC bounds of Compressed Sensing Matrices for Approximating Sparse Solutions Using $\ell_q$ Quasi Norms
本文是继最近的讨论与准范数$\ell_q,~q\in(0,1)$的稀疏解恢复时的传感矩阵具有一个限制等距常数$δ_{2k}$(RIC)。我们的主要工具是对“广义Cauchy-Schwarz不等式的逆”的一个推广到拟范数下的改进。我们证明,如果$δ_{2k}\le 1/2$,任何极小的$l_q$极小化,至少对于那些$q\in(0,0.9181]$,是相应的欠定线性系统的稀疏解。此外,如果是$δ_{2k}\le0.4931$,则稀疏解可以通过任何$l_q, q\in(0,1)$最小化来恢复。值$0.9181$和$0.4931$改进了文献中先前报告的值。
2013-12-12 cs.IT math.IT math.OC
Robust Sparse Recovery with Sparse Bernoulli matrices via Expanders
本文研究稀疏 Bernoulli(p) 矩阵的鲁棒零空间性质,刻画以最少测量实现稀疏恢复所需的最小 p,并以匹配下界证明最优性。
2024-12-06 cs.IT math.IT math.PR
Sparse Recovery over Graph Incidence Matrices
经典的结果稀疏恢复保证$s$稀疏信号的精确重建的字典上的假设是太强或NP-难以检查。此外,这种结果在实践中可能是悲观的,因为它们是基于最坏情况的分析。在本文中,我们考虑稀疏恢复的信号定义在一个图,字典的形式的关联矩阵。我们推导出稀疏恢复的充分必要条件,这取决于可以在多项式时间内检查的图的循环的性质。我们还推导出支持依赖条件稀疏恢复,只依赖于交叉点的支持信号的图形的周期。最后,我们利用稀疏属性的测量和关联矩阵的结构,提出了一个专门的子图为基础的恢复算法,优于标准的$\ell_1$最小化方法。
2018-10-26 cs.IT cs.SI eess.SP
Guaranteed sparse signal recovery with highly coherent sensing matrices
Claremont McKenna College(克莱蒙特麦肯纳学院);Alcatel-Lucent(阿尔卡特朗讯)
本文提出PartInv算法,解决高相干感知矩阵下的稀疏信号恢复问题,提供理论支持和实证比较。
2014-04-01 cs.IT cs.NA math.IT
Recovery of Low-Rank Plus Compressed Sparse Matrices with Application to Unveiling Traffic Anomalies
给定一个低秩矩阵的叠加加上一个已知的脂肪压缩矩阵乘以稀疏矩阵的产品,本文的目标是建立确定性的条件下,精确恢复的低秩和稀疏的组件成为可能。这一基本的可识别性问题与骨干网络中的流量异常检测有关,并包含压缩感知以及矩阵分解问题中遇到的及时低秩稀疏矩阵恢复任务。利用$\ell_1$ -和核范数恢复稀疏和低秩矩阵的能力,制定了一个凸规划来估计未知数。分析和仿真证实,所述凸程序可以恢复足够低的秩和足够稀疏的分量的未知数,随着压缩矩阵具有等距属性时,限制操作稀疏向量。当低秩、稀疏和压缩矩阵是从某些随机集合中提取时,可以确定精确的恢复是可能的,具有很高的概率。一阶算法被开发来解决具有可证明的迭代复杂性保证的非光滑凸优化问题。对合成和真实网络数据的深入测试证实了这种新方法在揭示流量和时间异常方面的有效性,以及其优于现有替代方案的能力。
2012-04-30 cs.IT cs.NI math.IT
Information-theoretic limits on sparse signal recovery: Dense versus sparse measurement matrices
我们研究的信息理论的限制,准确地恢复稀疏信号的支持,使用噪声的投影定义的各类测量矩阵。我们的分析本质上是高维的,其中观测数$n$、环境信号维度$p$和信号稀疏度$k$都被允许以一般方式趋于无穷大。本文提出了两个新的贡献。首先,我们提供了更清晰的必要条件,使用一般(非高斯)密集测量矩阵的精确支持恢复。与先前已知的充分条件相结合,该结果产生尖锐的特征时,最佳解码器可以恢复信号的稀疏$k$和样本大小$n$的各种缩放,包括重要的特殊情况下的线性稀疏($k = Θ(p)$)使用的线性缩放的观察($n = Θ(p)$)。我们的第二个贡献是证明渐近可靠的恢复使用一类$γ$稀疏测量矩阵,其中测量稀疏度$γ(n, p, k) \in (0,1]$对应于每行非零条目的分数所需的观测数$n$的必要条件。我们的分析允许一般缩放的四联体$(n, p, k, γ)$,并揭示了三种不同的制度,对应于测量稀疏是否没有影响,一个轻微的影响,或一个戏剧性的影响子集恢复问题的信息理论的限制。
2008-06-03 cs.IT math.IT math.ST
Convex block-sparse linear regression with expanders -- provably
稀疏矩阵是机器学习和优化的研究对象。当使用这样的矩阵时,代替密集矩阵,优化中的总体复杂性要求在实践中可以在空间和运行时间方面显著降低。基于这一观察,我们研究了一个凸优化方案,用于从线性测量中恢复块稀疏。为了获得线性草图,我们使用扩展矩阵,即,稀疏矩阵,每列仅包含少数非零值。然而,据我们所知,这种算法的解决方案只从非凸的角度进行了研究。我们的目的是在理论上描述这种设置下的凸方法的性能。我们的主要新颖之处是恢复错误的表达在基于模型的规范,同时确保解决方案的生活在模型中。为了实现这一点,我们证明了基于模型的稀疏矩阵满足零空间属性的群版本。我们在合成和实际应用中的实验结果支持我们在凸设置中更快恢复的主张-而不是使用密集的传感矩阵,同时显示出有竞争力的恢复性能。
2016-04-03 cs.IT math.IT math.OC
Vanishingly Sparse Matrices and Expander Graphs, With Application to Compressed Sensing
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);University of Oxford(牛津大学)
本文通过概率方法构造固定列非零元个数的稀疏随机矩阵,利用二元分裂技术分析邻居集碰撞,得到扩展图的尾界,并推导出无损扩展图存在性及压缩感知采样定理的定量结果。
2013-07-15 cs.IT cs.NA math.IT
Near-Optimal Estimation of Simultaneously Sparse and Low-Rank Matrices from Nested Linear Measurements
本文考虑了由嵌套线性测量同时估计低秩和行稀疏矩阵的问题,其中线性算子由线性算子$\mathcal{W}$和矩阵$\mathbf{\varPsi}$的乘积组成.利用测量算子的嵌套结构,我们提出了一个计算效率高的两阶段算法,用于估计同时结构化的目标矩阵。假设$\mathcal{W}$是低秩矩阵的限制等距和$\mathbf{\varPsi}$是行式稀疏矩阵的限制等距,我们建立了一个精度保证,保持一致的所有足够低秩和行式稀疏矩阵具有高概率。此外,使用标准的工具,从信息论,我们建立了一个极小极大下界估计同时低秩和行式稀疏矩阵的线性测量,不需要嵌套。建立的算法,也作为一个极大上界的准确性界限,从派生的极大极小下界不同,只是由一个多对数因子的尺寸。因此,该算法几乎是极小极大最优的。我们还讨论了所提出的观测模型的一些应用,并通过数值模拟评估我们的算法。
2016-03-21 cs.IT math.IT math.OC
Sparse Representation of a Polytope and Recovery of Sparse Signals and Low-rank Matrices
本文考虑压缩感知和仿射秩最小化在无噪和有噪情况下,并建立了尖锐的限制等距稀疏信号和低秩矩阵恢复条件。分析依赖于一个关键的技术工具,表示点的多面体的凸组合稀疏向量。该技术是基本的,但导致尖锐的结果。它示出,对于任何给定的常数$t\ge {4/3}$,在压缩感知$δ_{tk}^A < \sqrt{(t-1)/t}$保证精确恢复的所有$k$稀疏信号在无噪声的情况下,通过约束$\ell_1$最小化,并同样在仿射秩最小化$δ_{tr}^\mathcal{M}< \sqrt{(t-1)/t}$确保精确重建的所有矩阵的秩最多$r$在无噪声的情况下,通过约束核范数最小化。此外,对于任何$ε>0$,对于大的$k$,$δ_{tk}^A<\sqrt{\frac{t-1}{t}}+ε$不足以保证所有$k$稀疏信号的精确恢复。类似的结果也适用于基质回收。此外,条件$δ_{tk}^A < \sqrt{(t-1)/t}$和$δ_{tr}^\mathcal{M}< \sqrt{(t-1)/t}$也被证明是足够的,分别为稳定恢复的近似稀疏信号和低秩矩阵在噪声的情况下。
2013-10-22 cs.IT math.IT math.ST
Fast One-Pass Sparse Approximation of the Top Eigenvectors of Huge Low-Rank Matrices? Yes, $MAM^*$!
本文提出基于单次线性草图和压缩感知的单遍算法,以次线性时间和内存逼近巨型低秩矩阵的顶部稀疏特征向量,并在约$10^{16}$元素的矩阵上验证了有效性。
2025-07-22 cs.DS cs.IT cs.NA
An Improved Lower Bound for Sparse Reconstruction from Subsampled Walsh Matrices
本文通过简短论证,给出了从有界正交矩阵(如Walsh矩阵)均匀子采样行以满足受限等距性质所需行数的新下界,并指出核中稀疏向量的存在会阻碍均匀稀疏恢复。
2023-05-09 cs.DM cs.DS cs.IT
Limits on Sparse Data Acquisition: RIC Analysis of Finite Gaussian Matrices
利用压缩感知(CS)获取稀疏数据的关键问题之一是测量矩阵的设计。高斯矩阵已被证明是信息理论上最优的最小化所需的测量稀疏恢复的数量。本文提出了一种分析有限维高斯测量矩阵的限制等距常数的新方法。所提出的方法依赖于Wishart矩阵的极端特征值的精确分布。首先,我们推导出的概率,限制等距属性是满足一个给定的充分恢复条件的RIC,并提出了一个概率框架来研究对称和非对称RIC。然后,我们通过稳定性和鲁棒性的统计特性分析了噪声中可压缩信号的恢复。所提出的框架确定有限大小的问题的各种稀疏恢复算法的限制。特别是,它提供了一个严格的下限上的最大稀疏秩序的采集数据,允许信号恢复与给定的目标概率。此外,我们推导出简单的近似RIC的Tracy-Widom分布的基础上。
2018-11-22 cs.IT eess.SP math.IT