Linear-time list recovery of high-rate expander codes
我们表明,扩展代码,当适当的实例化,是高速率的列表可恢复代码与线性时间列表恢复算法。最近,列表可恢复码在构造有效的列表可解码码以及用于压缩感知和组测试的矩阵的显式构造中是有用的。以前的列表可恢复代码与线性时间解码算法都有率最多为1/2,相比之下,我们的代码可以有率$1 - ε$的任何$ε> 0$。我们可以将我们的高速率代码插入Meir(2014)的构造中,以获得任意速率的线性时间列表可恢复代码,其接近所提供的非平凡列表的数量与代码的速率之间的最佳权衡。虽然列表恢复本身很有趣,但我们的主要动机是应用于列表解码。稍微加强我们的结果将意味着线性时间和最佳列表解码码的所有速率,我们的工作是解决这个重要问题的方向迈出了一步。
2015-03-06 cs.IT math.IT
Recovery Sets of Subspaces from a Simplex Code
本文研究分布式存储编码中 d 维子空间恢复集的最大两两不相交数量问题,利用单纯形码生成矩阵结构给出上下界,并证明这些界通常紧致或接近紧致。
2024-03-29 cs.IT math.IT
Algebraic List-decoding of Subspace Codes
在网络拓扑未知的情况下(非相干情况),为了纠正随机网络编码的错误和擦除,引入了子空间码。子空间码实际上是有限域上某个向量空间的子空间的集合。子空间码的Koetter-Kschischang构造类似于Reed-Solomon码,因为码字是通过评估某些(线性化)多项式获得的。本文研究Koetter-Kschischang子空间码的列表译码问题。从某种意义上说,我们能够实现这些代码苏丹能够实现里德所罗门码。为了做到这一点,我们必须在许多重要方面修改和概括原始的Koetter-Kschischang结构。最终结果是这样的:对于任何整数$L$,假设误差的归一化维数至多为$ L - \frac{L(L+1)}{2}R $,则我们的列表- $L$解码器保证消息子空间的成功恢复,其中$R$是归一化分组速率。正如在苏丹的列表解码算法的情况下,这超过了以前最好的已知的纠错半径$1-R$,由Koetter和Kschischang证明,低速率$R$。
2012-02-02 cs.IT math.IT
Some Gabidulin Codes cannot be List Decoded Efficiently at any Radius
Gabidulin码可以被看作是Reed-Solomon码的秩度量等价物。最近证明,使用子空间多项式,Gabidulin码不能被列表解码超出所谓的约翰逊半径。另一个结果是通过考察子空间与其子空间多项式之间的关系,构造出循环子空间码。在本文中,这些子空间码被用来证明两个界的列表大小在某些Gabidulin码的解码。第一个界限是存在的,表明指数大小的列表存在于具有特定参数的代码中。第二个界限显式地呈现指数大小的列表,用于不同的参数集。这两个界限排除了有效地列表解码的几个家庭的Gabidulin码的任何半径超过一半的最小距离的可能性。到目前为止,这样的结果仅针对非线性秩度量码而不是Gabidulin码。使用一个标准的操作称为提升,相同的结果也遵循一类重要的恒定维子空间码。
2016-10-14 cs.IT math.IT
Local List Recovery of High-rate Tensor Codes and Applications
在这项工作中,我们给出了第一个高速率的本地列表可恢复代码的建设。列表恢复一直是编码理论中非常有用的构建块,我们的动机是使用这些代码作为这样的构建块。特别是,我们的建设给出了第一个容量实现本地列表可解码的代码(在恒定大小的字母表);第一个容量实现全局列表可解码的代码与近线性时间列表解码算法(再一次,在恒定大小的字母表);和Gilbert-Varshamov界上的二进制码的随机化结构,可以在近线性时间内唯一解码,具有比以前已知的更高的速率。我们的技术实际上非常简单,并且受到Gopalan,Guruswami和Raghavendra(Siam Journal on Computing,2011)用于列表解码张量代码的方法的启发。我们表明,张量的权力(全球)列表可恢复的代码是“近似”本地列表可恢复的,和“近似”的修改器可以通过预编码的消息与合适的本地可解码的代码被删除。用高速率全局列表可恢复代码和高速率局部可解码代码的已知构造来实例化该构造完成该构造。
2017-06-11 cs.IT math.IT
List and Probabilistic Unique Decoding of Folded Subspace Codes
提出了一类新的非相干网络编码折叠子空间码。对于任何码率$R\in[0,1]$,这些码可以校正超出唯一解码半径的插入和删除。一个有效的基于插值的解码算法,该码的结构,它允许正确的插入和删除的归一化半径$s(1-((1/h+h)/(h-s+1))R)$,其中$h$是折叠参数和$s\leq h$是一个解码参数。该算法作为一个列表解码器或作为一个概率唯一的解码器,输出一个具有高概率的唯一的解决方案。推导了折叠子空间码的平均链表长度和译码失败概率的上界。该解码方案的主要优点在于,它能够实现高达列表解码半径的概率唯一解码。
2015-04-21 cs.IT math.IT
Singleton-type bounds for list-decoding and list-recovery, and related results
列表解码和列表恢复是近年来受到广泛关注的唯一解码的重要推广。然而,列表解码之间的最佳权衡(分别为:列表恢复)半径、列表大小和码率在这两个问题中都没有完全理解。本文向这个方向迈出了一步时,列表的大小是一个给定的常数和字母表的大小是大的(作为代码长度的函数)。我们证明了一个新的Singleton型的上限列表可解码的代码,这改善了以前已知的约束的一个因素,大约$1/L$,其中$L$是列表的大小。我们还证明了一个Singleton型上限列表可恢复的代码,这是我们所知的,第一个这样的列表恢复的界限。我们应用这些结果,以获得新的下界是最佳的列表大小的乘法常数列表可解码和列表可恢复的代码与速率接近的能力。此外,我们表明,列表可解码的\emph{nonlinear}码可以严格优于列表可解码的线性码。更确切地说,我们表明,有一个差距,为广泛的参数,增长迅速的字母表的大小,最大的列表可解码的非线性代码的大小和最大的列表可解码的线性代码之间。这是通过列表解码和极值组合学中稀疏超图概念之间的新联系实现的。我们注意到,这样的差距是不知道存在的唯一解码的问题。最后,我们表明,列表可解码或可恢复的代码意味着在某种意义上良好的唯一可解码性。
2021-12-10 cs.IT math.CO math.IT
List-decoding and list-recovery of Reed-Solomon codes beyond the Johnson radius for any rate
了解RS码的列表译码和列表恢复的限制是编码理论的主要兴趣,并且在近几十年来吸引了很多关注。然而,这些问题的最佳参数仍然是未知的,在本文中,我们在这个方向上迈出了一步。我们证明了存在的RS码,是列表可解码或列表可恢复超出约翰逊半径的\emph{any}率,在块长度的多项式字段大小。特别是,我们表明,对于任何$ε\in (0,1)$,都存在可从半径$1-ε$进行列表解码且速率小于$\fracε{2-ε}$且列表大小恒定的RS码。我们推导出我们的结果,通过扩展和加强最近的结果Ferber,关,和Sauermann的打孔码与大的最小距离,并利用潜在的代码的线性。
2021-05-31 cs.IT math.CO math.IT
Multi-weight Nuclear Norm Minimization for Low-rank Matrix Recovery in Presence of Subspace Prior Information
加权核范数最小化最近被认为是一种技术,用于从压缩采样测量重构低秩矩阵时,矩阵的行列子空间的一些先验信息是可用的。在这项工作中,我们研究的恢复条件和相关的恢复保证加权核范数最小化时,允许多个权重。当可以访问与地面实况矩阵的列子空间和行子空间形成多个角度的先前子空间时,可以使用该设置。虽然在这一领域的现有作品使用一个单一的权重来惩罚所有的角度,我们提出了一个多权重的问题,旨在惩罚每个角度独立使用一个不同的权重。具体来说,我们证明了我们提出的多权重问题是稳定的和强大的条件下较弱的条件下的测量算子比类似的条件为单权重的情况下,标准的核范数最小化。此外,它提供了比现有技术方法更好的重建误差。我们用大量的数值实验来说明我们的结果,这些实验证明了在恢复过程中允许多个权重的优点。
2022-04-26 cs.IT math.IT
A Greedy Algorithm for Matrix Recovery with Subspace Prior Information
矩阵恢复是从一些线性测量中恢复低秩矩阵的问题。近年来,该问题得到了广泛的关注,因为它被用于许多应用,如Netflix奖问题,地震数据插值和协同过滤。在这些应用中,可以访问关于矩阵的列和行空间的附加先验信息。这些额外的信息可以潜在地增强基质恢复性能。在本文中,我们提出了一个有效的贪心算法,利用先验信息的恢复过程。所提出的算法的性能进行测量的秩限制等距属性(R-RIP)。与不使用先验信息的情况相比,我们所提出的算法在R-RIP上收敛的条件更温和。此外,我们的算法表现出更好的计算复杂性和成功率方面的核范数最小化。
2019-07-27 cs.IT math.IT
Explicit rank-metric codes list-decodable with optimal redundancy
我们构建了一个显式家庭的线性秩度量码在任何字段${\mathbb F}_h$,使有效的列表解码高达一个分数$ρ$的错误的秩度量与率$1-ρ-ε$,任何所需的$ρ\in (0,1)$和$ε> 0$。以前,这样的代码的蒙特卡罗构造是已知的,但这实际上是第一个明确的构造正速率秩度量代码的列表解码超出唯一的解码半径。我们的代码是著名的Gabidulin代码,编码线性化多项式的低程度通过其值在线性独立的点的集合的子码。通过将消息多项式限制到${\mathbb F}_h$ -子空间来挑选子码,该子空间避开由于Guruswami和Xing(STOC'13)而在用于Gabidulin码的线性代数列表解码器中出现的扩展字段${\mathbb F}_{h^t}$上的结构化子空间。这个子空间是通过将Guruswami和Kopparty(FOCS'13)构造的子空间设计与Dvir和Lovett(STOC'12)的子空间回避变体相结合而获得的。我们建立了一个类似的结果,子空间码,这是一个集合的子空间,其中每对低维交叉,并已受到广泛关注,最近在网络编码的上下文中。我们还给出了明确的子码折叠Reed-Solomon(RS)码的小折叠顺序,是列表解码(在汉明度量)与最佳冗余,动机的事实,列表解码RS码减少到列表解码这样的折叠RS码。然而,由于我们仅列表解码这些码的子码,因此约翰逊半径仍然是列表解码RS码的最佳已知…
2013-12-02 cs.CC cs.DM cs.IT
List-decoding of Subspace Codes and Rank-Metric Codes up to Singleton Bound
子空间码和秩度量码可以用来纠正网络中的错误和擦除,而线性网络编码可以用来纠正网络中的错误和擦除。Koetter和Kschischang引入了子空间码,用于纠正拓扑未知(非相干情况)的网络中的错误和擦除。在之前的工作中,我们基于Koetter-Kschichang构造开发了一族子空间码,它们可以高效地列表解码。使用这些代码,我们实现了一个更好的解码半径比Koetter-Kschischiang码在低速率。在这里,我们介绍了一个新的家庭的子空间代码的基础上,导致一个线性代数列表解码算法的不同的方法。所得到的纠错半径可以表示如下:对于任何整数$s$,我们的列表解码器使用$s+1$插值多项式保证成功恢复的消息子空间提供的标准化的错误的维度是最多$s(1-sR)$。相同的列表解码算法可用于纠正擦除以及错误。输出列表的大小最大为$Q^{s-1}$,其中$Q$是从其中选择消息符号的字段的大小。秩度量码适合于在网络拓扑和底层网络码已知的情况下(相干情况)进行纠错。Gabidulin码是一类著名的代数秩度量码,其满足码的最小秩度量的Singleton界。在本文中,我们介绍了一个折叠版本的Gabidulin码类似的折叠Reed-Solomon码的Guruswami和Rudra随着列表解码算法,这样的代码。我们的列表解码算法使得有可能恢复的消息提供的标准化秩的错误是最多$1-R-ε$,对于任何$ε> 0…
2012-02-04 cs.IT math.IT
Zero-Rate Thresholds and New Capacity Bounds for List-Decoding and List-Recovery
在这项工作中,我们考虑的列表可解码性和列表可恢复的任意$q$ -ary码,$q\geq 2$的所有整数值。如果每个半径$pn$汉明球包含少于$L$码字,则代码被称为$(p,L)_q$ -列表可解码; $(p,\ell,L)_q$ -列表可恢复性是一种推广,其中我们将半径$pn$汉明球放置在具有边长$\ell$的组合矩形的每个点上,并再次规定存在少于$L$码字。我们的主要贡献是精确计算$p$的最大值,其中存在无限个阳性率$(p,\ell,L)_q$列表可恢复代码族,我们称该数量为零率阈值。用$p_*$表示该值,我们实际上表明,纠正$p_*+\varepsilon$错误分数的码必须具有大小$O_{\varepsilon}(1)$,即,独立于$n$。这样的结果通常被称为“Plotkin界限”。为了补充这一点,一个标准的随机码与删除结构表明,存在正率代码纠正$p_*-\varepsilon$部分的错误。我们还遵循经典的证明模板(通常归因于Elias和Bassalygo),从零速率阈值中推导出速率和解码半径之间的其他权衡,用于列表解码和列表恢复。从技术上讲,证明Plotkin界归结为证明Schur凸性的定义在$q$ -单纯形以及凸性的一个单变量函数从it. We评论,早期的参数声称类似的结果$q$ -ary列表解码,但是,我们指出,这种早期的证明是有缺陷的。
2022-10-14 cs.CC cs.IT math.CO
Near-Optimal List-Recovery of Linear Code Families
本研究证明随机线性码和随机打孔Reed-Solomon码以常数输出列表大小达到列表恢复容量,并给出所有线性码输出列表大小的近最优下界,结合Zyablov-Pinsker论证与最新交集界。
2025-02-27 cs.IT math.CO math.IT
Improving M-SBL for Joint Sparse Recovery using a Subspace Penalty
多测量向量问题(MMV)是压缩感知问题的推广,它解决了一组联合稀疏信号向量的恢复问题。本文的一个重要贡献是揭示了看似最不相关的最先进的MMV联合稀疏恢复算法- M-SBL(多稀疏贝叶斯学习)和基于子空间的混合贪心算法-有一个非常重要的联系。更具体地说,我们表明,取代M-SBL中的$\log\det(\cdot)$项的秩代理,利用火花减少属性发现基于子空间的联合稀疏恢复算法,提供了显着的改善。特别地,如果我们使用$p$准范数作为相应的秩代理,则所提出的算法的全局极小值与真实解$p \rightarrow 0$相同。此外,在相同的正则性条件下,我们表明,收敛到局部极小值是保证使用交替最小化算法,具有封闭形式的表达式,为每个最小化步骤,这是凸的。在不同的信噪比和信号幅度矩阵的条件数条件下的数值仿真表明,该算法的性能始终优于M-SBL算法和其他最先进的算法。
2015-03-25 cs.IT math.IT
Optimal Weighted Low-rank Matrix Recovery with Subspace Prior Information
矩阵检测是从少量线性测量值重构低秩矩阵的问题。在协同滤波、著名的Netflix奖问题和地震数据插值等应用中,存在关于地面真实低秩矩阵的列和行空间的先验信息。在本文中,我们利用这种先验信息,提出了一个加权优化问题,其目标函数促进秩和先验子空间信息。利用圆锥积分几何中的最新结果,我们得到了唯一的最优权重,使所需的测量次数最小化。仿真结果证实,所提出的凸规划与最佳权重需要显着减少测量比常规核范数最小化。
2019-04-29 cs.IT math.IT
Tighter List-Size Bounds for List-Decoding and Recovery of Folded Reed-Solomon and Multiplicity Codes
本文通过简化证明改进了折叠里德-所罗门码和重数码的列表解码列表大小界,优化了随机算法,并首次证明FRS码在小字母表上渐近达到大小为2的广义辛格尔顿界。
2023-12-28 cs.IT math.CO math.IT
Algebraic hierarchical locally recoverable codes with nested affine subspace recovery
本文提出代数分层局部可恢复码,通过里德-穆勒码与纤维积码的统一,实现嵌套仿射子空间恢复,并支持每层可用性。
2025-01-22 cs.IT math.AG math.IT
List-Recovery of Random Linear Codes over Small Fields
本文研究小域上随机线性码的列表恢复问题,首次超越 Zyablov-Pinsker 界,证明在素域擦除和任意域错误情形下输出列表大小对容量差距 ε 的依赖可改进为 O(1/ε)。
2025-05-09 cs.IT math.IT
Weighted Matrix Completion and Recovery with Prior Subspace Information
一个不相干的低秩矩阵可以有效地重建后,观察它的一些元素在随机,然后解决一个凸规划,最小化核范数。在许多应用中,除了这些条目之外,关于矩阵的列和行空间的潜在有价值的先验知识也可用于从业者。在本文中,我们将这种先验知识纳入矩阵完成--通过最小化加权核范数--并精确量化任何改进。特别是,我们发现,在理论上,可靠的先验知识减少了样本的复杂性矩阵完成的对数因子,和观察到的改善数值模拟是相当多的放大。我们也提出了类似的结果,从通用线性测量矩阵恢复密切相关的问题。
2018-03-12 cs.IT math.IT
Sparse Recovery of Fusion Frame Structured Signals
融合帧是提供信号空间的冗余表示的子空间的集合。他们通过用框架子空间代替框架向量来推广经典框架。本文考虑了从融合帧中稀疏恢复信号的问题。我们使用块稀疏模型的融合帧,然后表明,稀疏信号在此模型下可以压缩采样和重建的方式类似于标准的压缩感知(CS)。特别是,我们调用混合l1/l2范数最小化,以重建稀疏信号。在我们的工作中,我们表明,假设一定的不相干属性的子空间和先验知识,它允许我们提高恢复时,通常的块稀疏的情况下相比。
2018-04-05 cs.IT math.IT
Orthogonal subspace based fast iterative thresholding algorithms for joint sparsity recovery
从具有联合稀疏特性的多测量向量中恢复稀疏信号在信号、图像和视频处理中有着广泛的应用。当信号矩阵的快照在时间上相关时,问题变得更加复杂。考虑到信号的时间相关性,我们提供了一个基于阈值,功能反馈和零空间调整的迭代MMV算法的框架。建立了精确恢复的收敛性分析。与大多数在测量/解空间中选择索引的迭代贪心算法不同,我们基于迭代序列所跨越的正交子空间来确定索引。此外,一个功能性的反馈,控制量的能源搬迁的“尾巴”的实施和分析。结果表明,函数反馈原理可以减少迭代次数,加快算法的收敛速度。数值实验表明,该算法具有明显的优势,平衡的效率,自适应性和准确性相比,其他国家的最先进的算法。
2021-01-22 cs.IT math.IT
Subspace Methods for Joint Sparse Recovery
针对压缩感知中的联合稀疏恢复问题,提出了一种鲁棒高效的联合稀疏恢复算法,该算法能够同时从多个测量向量中恢复联合稀疏信号的支持度,这些测量向量是通过一个共同的感知矩阵获得的。在一个有利的情况下,未知矩阵,其中包括联合稀疏信号,具有线性无关的非零行。在这种情况下,MUSIC(多信号分类)算法,最初由施密特提出的传感器阵列处理中的到达问题的方向,后来提出和分析的联合稀疏恢复冯和Bresler,提供了一个保证与最小数量的测量。相反,我们专注于不利的,但实际上重要的情况下,秩缺陷或病态。这种情况在测量向量的数量有限或高度相关的信号分量的情况下出现。在这种情况下,MUSIC失败了,并且在实践中,现有方法中没有一种可以始终接近基本极限。我们提出了子空间增强的MUSIC(SA-MUSIC),它改进了MUSIC,使支持可靠地恢复在这种不利的条件下。结合本文提出和分析的基于子空间的贪心算法,SA-MUSIC提供了一种计算效率高、性能有保证的算法。性能保证给出了一个版本的限制等距属性。特别是,我们还提出了一个非渐近扰动分析的信号子空间估计,已失踪在以前的研究MUSIC。
2011-10-18 cs.IT math.IT
Algorithms and Hardness for Robust Subspace Recovery
IBM Research Almaden(IBM阿尔马登研究院);MIT(麻省理工学院)
我们考虑无监督学习中的一个基本问题,称为\emph{subspace recovery}:给定$\mathbb{R}^n$中的$m$点的集合,如果这些点中的许多但不一定全部包含在$d$维子空间$T$中,我们可以找到它吗?包含在$T$中的点称为{ \em内点},其余点称为{ \em外点}。这个问题在计算机科学和统计学中受到了相当大的关注。然而,来自计算机科学的有效算法对{ \em adversarial}离群值不鲁棒,并且来自鲁棒统计的估计量难以在高维中计算。是否有子空间恢复算法既对离群值又有效?我们给出了一个算法,发现$T$时,它包含超过一个$\frac{d}{n}$分数的点。因此,对于$d = n/2$,当存在恒定比例的离群值时,该估计量既易于计算又表现良好。我们证明了它是小集扩展很难找到$T$时的错误的分数是任何更大的,从而证明我们的估计是一个{ \em最优}的效率和鲁棒性之间的妥协。事实证明,这个基本问题与其他领域有着惊人的联系,包括我们在这里使用的小集合扩展,拟阵理论和泛函分析。
2013-12-03 cs.CC cs.DS cs.IT
Decentralized and Collaborative Subspace Pursuit: A Communication-Efficient Algorithm for Joint Sparsity Pattern Recovery with Sensor Networks
在本文中,我们考虑的问题,联合稀疏模式恢复在分布式传感器网络。假设所有节点观测到的稀疏多测量矢量信号(MMVs)具有共同的(但未知的)稀疏模式。为了以分散的方式准确地恢复常见的稀疏模式,同时降低网络的通信开销,我们开发了一种名为分散和协作子空间追踪(DCSP)的算法。在DCSP中,每个节点需要在每次迭代中执行三种操作:1)通过找到其测量向量最可能位于的子空间来估计局部稀疏模式; 2)与单跳相邻节点共享其局部稀疏模式估计;以及3)通过基于多数投票的融合在其邻域中获得的所有局部稀疏模式估计来更新最终的稀疏模式估计。证明了DCSP的收敛性,并定量分析了其通信开销。我们还提出了另一种分散的算法,称为广义DCSP(GDCSP),允许更多的信息交换相邻节点之间,以进一步提高稀疏模式恢复的准确性,在增加通信开销的成本。实验结果表明:1)与现有的分散式算法相比,DCSP算法在通信开销相当的情况下,稀疏模式恢复的准确率更高; 2)GDCSP算法的准确率与集中式算法非常接近。
2016-01-18 cs.IT math.IT
List Recovery for Random Low-Rate Linear Codes
UCSB(加州大学圣塔芭芭拉分校);UCLA(加州大学洛杉矶分校)
针对足够大素域上的随机低速率线性码,证明了其同时对所有输入列表大小具有列表恢复能力,并给出了近乎最优的下界。
2026-11-10 cs.IT math.IT
Robust Recovery of Subspace Structures by Low-Rank Representation
Shanghai Jiao Tong University(上海交通大学);Microsoft Research Asia(微软亚洲研究院);Peking University(北京大学);National University of Singapore(新加坡国立大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Columbia University(哥伦比亚大学)
在这项工作中,我们解决子空间恢复问题。给定一组近似从多个子空间的并集中提取的数据样本(向量),我们的目标是将样本分割到各自的子空间中,并纠正可能的错误。为此,我们提出了一种新的方法,称为低秩表示(LRR),它寻求所有候选人中的最低秩表示,可以表示数据样本的线性组合的基础在一个给定的字典。结果表明,LRR算法很好地解决了子空间恢复问题:当数据是干净数据时,证明了LRR算法能准确地捕捉到真实的子空间结构;对于被离群点污染的数据,证明了在一定条件下,LRR算法能准确地恢复原始数据的行空间,同时也能检测出离群点;对于被任意错误破坏的数据,LRR也能近似地恢复具有理论保证的行空间。由于子空间隶属度是由行空间可证明地确定的,这些进一步意味着LRR可以以有效的方式执行鲁棒的子空间分割和纠错。
2012-05-06 cs.CV cs.IT cs.LG
Robust Subspace Learning: Robust PCA, Robust Subspace Tracking, and Robust Subspace Recovery
Iowa State University(爱荷华州立大学);Université de La Rochelle(拉罗谢尔大学);University of Warwick(华威大学)
PCA是最广泛使用的降维技术之一。一个相关的更简单的问题是“子空间学习”或“子空间估计”。给定相对干净的数据,两者都可以通过奇异值分解(SVD)轻松求解。存在离群值的子空间学习或PCA问题称为鲁棒子空间学习或鲁棒PCA(RPCA)。对于长数据序列,如果试图使用单个低维子空间来表示数据,则所需的子空间维度可能会非常大。对于这样的数据,一个更好的模型是假设它位于一个低维子空间,可以随着时间的推移而变化,尽管是逐渐变化的。跟踪这样的数据(和子空间),同时对离群值具有鲁棒性的问题被称为鲁棒子空间跟踪(Robust Subspace Tracking,简称SVM)。这篇文章提供了一个杂志式的概述整个领域的鲁棒子空间学习和跟踪。特别是三个问题的解决方案进行了详细讨论:通过稀疏+低秩矩阵分解(S+LR)的RPCA,通过S+LR,和“鲁棒子空间恢复(RSR)”的恢复。RSR假设整个数据向量要么是离群值,要么是内点。相反,S+LR公式假设离群值仅出现在少数数据向量索引上,因此被很好地建模为稀疏损坏。
2018-07-05 cs.CV cs.IT math.IT
Subspace-Sparse Representation
给定过完备字典$A$和作为$A$的几个线性独立列的线性组合的信号$b$,经典稀疏恢复理论处理恢复唯一稀疏表示$x$使得$b = A x$的问题。已知在一定条件下,$A$上的$x$可以通过基追踪(BP)和正交匹配追踪(OMP)算法恢复。在这项工作中,我们考虑更一般的情况下,$b$在于一个低维子空间跨越的$A$,这可能是线性相关的一些列。在这种情况下,稀疏解$x$一般是不唯一的,我们研究的问题,表示$x$确定的子空间,即非零条目的$x$对应的字典原子的子空间。这样的表示$x$称为子空间稀疏。我们提出了保证子空间稀疏恢复的充分条件,这些条件具有清晰的几何解释,并解释了子空间稀疏恢复的性质。我们还证明了在随机化模型下,充分条件可以满足。我们的结果是适用于传统的稀疏恢复问题,我们得到的条件稀疏恢复的限制比规范的相互相干条件。我们还利用这些结果对基于稀疏表示的分类方法进行了分析,得到了证明其正确性的条件。
2015-07-06 cs.IT math.IT stat.ML
Improving Noise Robustness in Subspace-based Joint Sparse Recovery
在多测量向量问题(MMV)中,多个信号共享一个共同的稀疏支持,并通过一个共同的传感矩阵进行采样,我们可以期望联合稀疏,使所需的测量数量进一步减少。虽然联合稀疏的分集增益已经证明了在使用$l_1/l_2$混合范数惩罚的凸松弛方法的情况下,直到最近才表明,类似的分集增益可以通过贪心算法实现,如果我们结合贪婪步骤与MUSIC样的子空间准则。然而,这些混合算法的主要限制是,它们通常需要大量的快照或高信噪比(SNR)的准确的子空间以及部分支持估计。这项工作的主要贡献之一是表明,这些算法的噪声鲁棒性可以显着提高,允许顺序子空间估计和支持滤波,即使当快照的数量是不够的。数值仿真结果表明,一种新的顺序压缩MUSIC(顺序CS-MUSIC)相结合的顺序子空间估计和支持滤波步骤显着优于现有的贪心算法,是相当的计算昂贵的最先进的算法。
2012-05-15 cs.IT math.IT
Greedy Subspace Pursuit for Joint Sparse Recovery
在本文中,我们解决稀疏多测量向量(MMV)的问题,其目标是恢复一组稀疏的非零行向量或指数的信号矩阵不完整的测量。理想情况下,不管信号矩阵中的列数如何,稀疏度(k)加一个测量值对于几乎所有信号的信号向量的均匀恢复是足够的,即,不包括勒贝格测度为零的集合。为了在信号矩阵秩小于k的情况下仍能以较高的计算效率逼近“k+1”下界,本文提出了一种称为两阶段正交子空间匹配追踪(TSMP)的贪心算法,其理论结果比正交子空间匹配追踪(OSMP)和子空间增强多信号分类(SA-MUSIC)算法在更少的限制条件下逼近下界.我们提供非渐近的OSMP和TSMP的性能保证,覆盖无噪声和噪声的情况下。约束等距属性和互相关的变体被用来提高性能保证。数值模拟表明,该方案具有较低的复杂度,并优于大多数现有的贪婪方法。这表明,随着信号矩阵列数的增加,TSMP成功的最小测量次数比现有方法更快地收敛到下界。
2016-01-26 cs.IT math.IT
Decoding Insertions/Deletions via List Recovery
本文将插入/删除解码问题归约为列表恢复问题,并应用于 Reed-Solomon 码,首次实现 k>2 时的高效插入/删除解码,同时改进了 Davey-MacKay 信道下的速率-错误权衡。
2025-05-05 cs.IT math.IT
Optimal rate list decoding over bounded alphabets using algebraic-geometric codes
我们给出了两类代数码族的新的构造,这两类代数码族可以有效地从对抗性错误的一部分$1-R-ε$中以小的输出列表大小进行列表解码,其中$R$是码的速率,对于任何期望的正常数$ε$。字母表大小仅取决于$ε$,并且接近最优。第一类代码是通过折叠代数几何代码使用的基本函数域的自同构。列表解码算法基于线性代数方法,将候选消息固定到具有良好“周期”结构的子空间。通过预编码将列表修剪成伪随机构造的特殊形式的“子空间规避”集合。用Garcia-Stichtenoth函数域塔实例化该构造产生可列表解码的代码,其具有由$1-R-ε$限制的列表大小,匹配到常数因子的存在性限制。因此,我们实现的参数在所有三个方面都非常接近存在性界限:纠错半径,字母表大小和列表大小。第二类码是通过将代数几何码的求值点限制为子域中的有理点而得到的。再一次,线性代数方法列表解码将候选消息固定到周期子空间。我们开发了一种基于“子空间设计”的替代方法来预编码消息。连同随后的明确的子空间设计的建设,这产生了一个确定性的建设率$R$的代数码族与有效的列表解码从$1-R-ε$分数的错误在一个恒定大小的字母表。列表大小由块长度$N$的非常缓慢增长的函数限定;特别地,对于任何固定整数$r$,它至多是$O(\log^{(r)} N)$($r$的第迭代对数)。
2020-11-15 cs.CC cs.IT math.IT
Bounds for list-decoding and list-recovery of random linear codes
本研究推导了随机线性码在码率趋近容量时列表译码与列表恢复的列表大小界,明确二元随机线性码对应列表大小的三个可能取值,揭示其与完全随机码的性能差异。
2020-06-18 cs.IT math.IT math.PR
Robust Recovery of Signals From a Structured Union of Subspaces
传统的采样理论考虑从一系列采样重构未知信号$x$的问题。通常保证从给定测量恢复的普遍假设是$x$位于已知子空间中。近年来,人们对非线性但结构化的信号模型越来越感兴趣,其中$x$位于子空间的并集中。在本文中,我们开发了一个通用的框架,从一组给定的样本强大和有效的恢复这样的信号。更具体地说,我们对待的情况下,其中$x$在于从一个更大的集合的$m$的可能性选择的$k$子空间的总和。样本被建模为具有任意一组采样函数的内积。为了得到一个有效的和强大的恢复算法,我们表明,我们的问题可以制定为恢复块稀疏向量的非零元素出现在固定的块。然后,我们提出了一个混合的$\ell_2/\ell_1$程序块稀疏恢复。我们的主要结果是一个等价的条件下,建议的凸算法是保证恢复原始信号。这个结果依赖于块限制等距属性(RIP)的概念,这是在压缩感知的上下文中广泛使用的标准RIP的推广。基于RIP,我们还证明了我们的方法在噪声和建模误差的存在下的稳定性。我们的框架的一个特殊情况是,恢复多个测量向量(MMV),共享一个联合稀疏模式。适应我们的结果,在这种情况下,导致新的MMV恢复方法以及等价条件下,整个集合可以有效地确定。
2009-03-30 cs.IT math.IT nlin.CG
Alternating Subspace Method for Sparse Recovery of Signals
Hunan Normal University(湖南师范大学)
本文提出交替子空间法用于信号稀疏恢复,结合贪婪和分裂方法,实现高效准确的稀疏信号恢复。
2026-03-10 cs.IT math.IT math.OC
Sparse Subspace Clustering via Two-Step Reweighted L1-Minimization: Algorithm and Provable Neighbor Recovery Rates
稀疏子空间聚类(SSC)依赖于稀疏回归来精确识别邻居。受压缩感知最新进展的启发,本文提出了一种新的基于两步重加权$\ell_1$ -最小化的SSC稀疏回归算法,该算法推广了E. J. Candès et al in [The Annals of Statistics,vol. 42,no. 2,pp. 669-699,2014],而不会引起额外的算法复杂度。为了充分利用在第一步中计算的稀疏表示向量提供的先验信息,我们的方法对回归向量的每个分量放置权重,并在第二步中求解加权LASSO。我们提出了一个数据加权规则,适用于提高邻居识别精度。然后,在加权LASSO对偶问题的框架下,深入研究了该方案的理论邻居恢复率。具体而言,一个有趣的连接之间的位置的最优稀疏解加权LASSO和指数的对偶问题的主动约束。然后,在半随机模型下,推导了各种邻居恢复事件的解析概率上/下限。我们的分析结果证实,在数据加权的帮助下,如果先验邻居信息是足够准确的,所提出的方案具有更高的概率可以产生许多正确的邻居和一些不正确的邻居相比,没有数据加权的解决方案。计算机模拟提供了验证我们的分析研究和证据所提出的方法的有效性。
2019-07-17 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
Decoding Analog Subspace Codes: Algorithms for Character-Polynomial Codes
本研究针对特征多项式(CP)码这类模拟子空间码,提出可复用Reed-Solomon码经典译码方法的高效最小距离与列表译码算法,验证其多数情况可实现唯一译码,并分析了结构利用带来的译码性能提升。
2024-07-09 cs.IT eess.SP math.IT
The Sharp Phase Transition of Tyler's M-Estimator for Robust Subspace Recovery
School of Mathematics, University of Minnesota(明尼苏达大学数学系);Department of Mathematics, University of Central Florida(中央佛罗里达大学数学系)
研究Tyler's M-估计器在临界信噪比DS-SNR=1时的行为,证明其收敛到真实子空间,建立尖锐相变。
2026-06-04 cs.IT cs.LG math.IT
Bounds and Limitations on Codes Achieving List Recovery Capacity
University of California, Berkeley(加州大学伯克利分校);Department of EECS, University of Michigan, Ann Arbor(密歇根大学安娜堡分校电气与计算机工程系的EECS部门);School of Engineering and Applied Sciences, Harvard University, Cambridge, Massachusetts, USA(哈佛大学剑桥镇卡莫尔校区工程学院与应用科学学院);Simons Institute for the Theory of Computing, UC Berkeley and Institute for Advanced Study, Princeton(加州大学伯克利分校西蒙斯计算理论研究所和普林斯顿高等研究院)
研究实现列表恢复容量的码的界与局限性,建立广义Singleton界给出速率限制,通过对基于AEL框架的构造进行元分析,证明其无法突破加性和线性码的列表恢复障碍。
2026-10-12 cs.IT math.CO math.IT
Combinatorial Bounds for List Recovery via Discrete Brascamp--Lieb Inequalities
University of California, Berkeley(加利福尼亚大学伯克利分校);Department of EECS, University of Michigan, Ann Arbor(密歇根大学安娜堡分校电气与计算机工程系);Department of Mathematics, Massachusetts Institute of Technology(麻省理工学院数学系);Simons Institute for the Theory of Computing, UC Berkeley and Institute for Advanced Study, Princeton(加州大学伯克利分校西蒙斯理论计算研究所和普林斯顿高等研究院)
本文利用离散熵Brascamp--Lieb不等式,为多类线性码和折叠线性码的列表恢复问题建立了新的组合界,解决了列表大小能否被ℓ的多项式界定的长期开放问题。
2026-10-14 cs.IT math.CA math.CO
Sparse Recovery from Combined Fusion Frame Measurements
稀疏表示已经成为信号和信息处理中的一个强大工具,随着新的采集和处理技术(如压缩感知(CS))的成功而达到顶峰。融合框架是一种非常丰富的新的信号表示方法,它使用子空间的集合而不是向量来表示信号。这项工作结合这些令人兴奋的领域,介绍了一种新的稀疏模型融合帧。在新模型下稀疏的信号可以被压缩采样并以类似于使用标准CS的稀疏信号的方式唯一地重构。该组合提供了一组有前途的新的数学工具和信号模型,可用于各种应用。利用新模型,稀疏信号在融合帧的非常少的子空间中具有能量,尽管它不需要在它占据的每个子空间内都是稀疏的。该稀疏模型使用融合帧的混合l1/l2范数来捕获。融合帧中的信号稀疏可以使用非常少的随机投影来采样,并且使用最小化该混合l1/l2范数的凸优化来精确地重建。所提供的采样条件推广了标准CS理论中使用的相干性和RIP条件。结果表明,它们足以保证稀疏恢复的任何信号稀疏在我们的模型。此外,使用稀疏信号的随机模型,表明在非常温和的条件下,恢复失败的概率随子空间的维数增加呈指数衰减的概率分析。
2011-06-17 cs.IT math.IT
List Recoverable Codes: The Good, the Bad, and the Unknown (hopefully not Ugly)
University of Amsterdam(阿姆斯特丹大学);Tel Aviv University(特拉维夫大学)
本文综述列表可恢复码的近期研究,分类介绍其存在性(好)、不可能性(坏)及未知结果,并阐述其在理论计算机科学中的广泛应用。
2025-10-08 cs.IT math.IT
Guruswami--Sudan List Decoding for Complex Reed--Solomon Codes
分析了复数域上用于压缩感知稀疏恢复的里德-所罗门码的Guruswami-Sudan列表译码算法。我们提出的方法稳定的插值和根查找步骤对数值不稳定性,后者是最敏感的。为此,我们修改了Roth-Ruckenstein算法,并提出了一种方法来改进其结果使用牛顿法。然后使用基于内在软信息的广义最小距离解码进一步提高整体解码性能。该方法还允许获得恢复问题的唯一解。该方法的数值评估和改进后,最近提出的解码技术。
2016-11-23 cs.IT math.IT
Optimal Proximity Gap for Folded Reed--Solomon Codes via Subspace Designs
利用子空间设计证明折叠Reed-Solomon码在容量范围内具有(δ,ε)-邻近间隙,达到最优列表解码半径。
2026-06-11 cs.CC cs.IT math.IT
A new class of rank-metric codes and their list decoding beyond the unique decoding radius
与经典分组码相比,秩度量码的有效列表译码显得更加困难。虽然随机秩度量码的列表可译码性和列表可译码性的极限已经完全确定,但关于秩度量码的有效列表译码的工作还很少。秩度量码$\mC$的唯一已知的有效列表解码在$R$非常小时,即,$Θ(\Ge^2)$,其中$ρ(\mC)$表示$\mC$ \cite的行数与列数之比[STOC 2013]{Guru 2013}。通常认为,具有不小常数比$ρ(\mC)$的秩度量码$\mC$的列表译码是困难的。本文的主要目的是显式地构造一类具有不小常数比$ρ(\mC)$的秩度量码$\mC$,并在译码半径超过$(1-R)/2$的情况下对这类码进行有效的列表译码.我们的关键思想是采用双变量多项式$f(x,y)$,其中$f$在变量$x$中线性化,变量$y$用于“折叠”代码。换句话说,行用于校正秩误差,列用于“折叠”代码以扩大解码半径。除了上面的代数技巧外,我们还必须精简列表。代数思想使我们能够将消息固定到一个结构化的子空间中,该子空间的维度在列数$n$中是线性的。这种“周期性”结构允许我们对消息进行预编码,以精简列表。更准确地说,我们使用子空间设计中引入的\cite [STOC 2013]{Guru 2013},以获得一个确定性的算法与一个较大的常数列表大小,并采用分层子空间回避集引入\cite [STOC 2012]{Guru 2012},以获得一个随机化的算法与一…
2015-09-24 cs.IT math.IT
Quantum List Recovery and Decoding: Achievability and Limitations
Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校赛贝尔计算与数据科学学院)
本研究针对量子列表恢复与解码,给出平衡折叠量子RS码和随机CSS码的列表大小上下界,并证明QLD半径权衡,通过配对引理和广义Singleton界实现可达性与逆命题。
2026-10-01 cs.IT math.IT quant-ph
Probabilistic Guarantees to Explicit Constructions: Local Properties of Linear Codes
University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Michigan, Ann Arbor(密歇根大学安娜堡分校)
本文提出了一种方法,通过改进的LCL性质形式化,实现了随机线性码的去随机化,从而获得满足特定局部性质的显式构造,并提供了高效解码方法。
2025-11-19 cs.IT math.CO math.IT
Linear-algebraic list decoding of folded Reed-Solomon codes
折叠Reed-Solomon码是实现速率和纠错能力之间的最佳折衷的显式码族:具体地,对于任何$\eps > 0$,作者和Rudra(2006,08)提出了$n^{O(1/\eps)}$时间算法,以从错误的一部分$1-R-\eps$中列表解码速率为$R$的适当折叠RS码。该算法基于多元多项式插值和延拓域上的求根。Vadhan指出,如果满足于较小的解码半径,则插值线性多项式就足够了(但对于上述形式的陈述仍然足够)。在这里,我们给出了一个简单的线性代数为基础的分析这个变种,消除了计算昂贵的根查找步骤的需要,在扩展字段(实际上任何提到的扩展字段)。整个列表解码算法是线性代数的,求解一个线性系统用于插值步骤,另一个线性系统用于找到候选解的小子空间。除了修剪这个子空间的步骤,该算法可以实现在{ \em quadratic}时间内运行。折叠RS码的理论缺陷是解码复杂度和已证明的最坏情况列表大小界都是$n^{Ω(1/\eps)}$。通过将上述思想与作为消息的所有多项式的伪随机子集相结合,我们得到了实现$O(1/\eps^2)$的列表大小界的Monte Carlo构造,该列表大小界非常接近于存在的$O(1/\eps)$界(然而,解码复杂度仍然是$n^{Ω(1/\eps)}$)。我们的工作强调,构建与低维子空间具有小交集的显式{ \em子空间规避}子集可以产生具有更好列表解码保证的显式代码。
2011-06-02 cs.DS cs.IT math.IT
List-decodable Codes and Covering Codes
列表可译码是理论计算机科学中的一个活跃的研究课题,关于列表对Johnson半径的可译码性和列表译码容量定理有着普遍的结果。在本文中,我们表明,率,列表可解码半径和列表的大小是密切相关的经典主题的覆盖码。我们基于各种覆盖码证明了一般有限度量空间中列表可解码码的新的通用简单但强的上界。一般覆盖码上界可以应用于球的体积不仅取决于半径,还取决于球心的情况。那么覆盖半径或覆盖码的大小的任何好的上界都意味着列表可解码码的大小的好的上界。当码长较大时,我们的结果对最近的STOC 2020中的Hamming度量列表可解码码的广义Singleton上界给出了指数改进。从一般的覆盖码上界出发,给出了平均半径列表可译码码的广义Singleton上界。我们还建议研究组合覆盖列表可译码码作为组合列表可译码码的自然推广。我们应用我们的一般覆盖码上界列表可解码的秩度量码,列表可解码的子空间码,列表可解码的插入码列表可解码的删除码,列表可解码的和秩度量码和列表可解码的置换码。得到了关于秩度量码、子空间码、秩和度量码以及各种度量的置换码的非列表可译码性的一些新的较好结果。
2022-05-27 cs.IT math.IT
List Decoding of Lifted Gabidulin Codes via the Plücker Embedding
格拉斯曼码最近在随机网络编码中得到了应用。这种码中的所有码字都是具有给定维数的$\F_q^n$的子空间。本文研究一类Grassmannian码的列表译码问题,称之为提升Gabidulin码。为此,我们使用格拉斯曼的Plücker嵌入。我们描述了一种将提升的Gabidulin码的Plücker坐标子集表示为线性分组码的方法。这些分组码的奇偶校验方程和普吕克坐标中描述子空间周围的球所产生的方程的并集描述了距离接收到的字小于给定参数的码字列表。
2013-01-10 cs.IT math.IT
Subspace Recovery from Heterogeneous Data with Non-isotropic Noise
Stanford University(斯坦福大学);Apple(苹果公司)
从数据中恢复线性子空间是统计学和机器学习中的一项基本而重要的任务。出于异质性的联邦学习设置,我们研究了这个问题的基本公式:主成分分析(PCA),重点是处理不规则的噪声。我们的数据来自$n$用户,其中用户$i$贡献来自具有平均值$μ_i$的$d$维分布的数据样本。我们的目标是使用来自所有用户的数据点来恢复$μ_1,\ldots,μ_n$共享的线性子空间,其中来自用户$i$的每个数据点通过向$μ_i$添加独立的均值零噪声向量来形成。如果我们只有一个数据点,从每个用户,子空间恢复是信息理论上不可能的噪声向量的协方差矩阵时,可以是非球形的,需要额外的限制性假设在以前的工作。我们通过利用来自每个用户的至少两个数据点来避免这些假设,这使我们能够在非球形和用户相关噪声下设计一个可有效计算的估计器。我们证明了我们的估计器的估计误差的上限在一般情况下,数据点的数量和噪声量可以在不同的用户,并证明了信息理论的误差下限,不仅匹配的上限到一个恒定的因素,但也持有即使是球形高斯噪声。这意味着我们的估计器不会由于噪声的不规则性而引入额外的估计误差(直到恒定因子)。我们展示了在类似设置中线性回归问题的其他结果。
2022-10-24 cs.IT cs.LG math.IT
Blind Compressed Sensing Over a Structured Union of Subspaces
本文讨论了基于压缩测量的同时信号恢复和字典学习的问题。在假设未知信号来自少量不相交子空间的联合的情况下,利用多个传感矩阵联合分析多个信号。该问题例如在图像修补应用中是重要的,其中多个信号由取自整个图像的(不完整的)图像块构成。这项工作扩展了标准字典学习和块稀疏字典优化,通过考虑压缩测量,例如,数据不完整)。通过使用多个感知矩阵和放松对学习字典的一些限制,也推广了盲压缩感知的先前工作。利用矩阵完成的背景下开发的结果,它被证明是字典和信号可以恢复压缩测量的概率很高。解是唯一的,直到字典原子的块排列和可逆线性变换。的恢复是视情况而定的测量每个信号的数量和信号的数量足够大,这些数量的界限推导。此外,本文提出了一种计算上实用的算法,进行字典学习和信号恢复,并建立其收敛到局部最优的条件。图像修补的实验结果证明了该方法的有效性。
2011-03-12 cs.IT math.IT