稀疏与稠密噪声的联合建模以改进相关向量机
机器学习
2015-01-13 v1
摘要
使用贝叶斯方法，我们考虑在加性稀疏与稠密噪声下恢复稀疏信号的问题。通常，稀疏噪声建模离群值、脉冲突发或数据丢失。为处理稀疏噪声，现有方法同时估计感兴趣的稀疏信号和不感兴趣的稀疏噪声。为估计稀疏信号而无需估计稀疏噪声，我们构建了一个鲁棒的相关向量机（RVM）。在RVM中，稀疏噪声和始终存在的稠密噪声通过联合噪声模型处理。联合噪声的精度由对角矩阵建模。我们证明新的RVM更新方程对应于一个非对称的诱导稀疏性代价函数。此外，发现联合建模在计算上更高效。我们还将该方法扩展到具有已知和未知块结构的块稀疏信号与噪声。通过仿真，我们展示了新的RVM在若干应用中的性能和计算效率：稀疏与块稀疏信号恢复、房价预测和图像去噪。
引用
@article{arxiv.1501.02579,
title = {Combined modeling of sparse and dense noise for improvement of Relevance Vector Machine},
author = {Martin Sundin and Saikat Chatterjee and Magnus Jansson},
journal= {arXiv preprint arXiv:1501.02579},
year = {2015}
}
备注
Submitted to IEEE Transactions on Signal Processing