统计学 > 机器学习
[提交于 2012年9月15日
(v1)
,最后修订 2013年6月24日 (此版本, v2)]
标题: 使用压缩测量恢复块结构激活
标题: Recovering Block-structured Activations Using Compressive Measurements
摘要: 我们考虑从少量的噪声、可能自适应的压缩(线性)测量中检测和定位大型矩阵中的连续弱激活块的问题。 这与压缩感知问题密切相关,其中任务是使用少量线性测量来估计一个稀疏向量。 与压缩感知中的结果相反,其中已经证明自适应性和连续结构帮助不大,我们表明对于可靠定位,最弱信号的幅度强烈受到结构和自适应选择测量能力的影响;而对于检测,自适应性或结构都不会减少对信号幅度的要求。 我们描述了各种问题参数、信号强度以及可靠检测和定位激活块所需的测量数量之间的精确权衡。 充分条件得到了信息论下界的支持。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.