具有随机样本的低秩矩阵的几种稀疏恢复方法比较
机器学习
2016-06-14 v1 机器学习
摘要
在本文中，我们将研究 IMAT（迭代自适应阈值法）在恢复具有缺失数据的线性模型的稀疏信号（参数）方面的有效性。稀疏恢复出现在压缩感知和机器学习问题中，并具有各种需要可行重建方法的应用，特别是当我们处理大数据时。本文将重点比较 IMAT 与 LASSO 在重建所需稀疏信号方面的能力。此外，我们将假设模型具有随机缺失信息。缺失数据最近在大数据和机器学习问题中备受关注，因为它们出现在许多情况下，包括但不限于医学成像数据集、医院数据集和 massive MIMO。在不同场景下将考虑 IMAT 相对于著名的 LASSO 的优势。还提供了仿真和数值结果来验证这些论点。
引用
@article{arxiv.1606.03672,
title = {Comparison of Several Sparse Recovery Methods for Low Rank Matrices with Random Samples},
author = {Ashkan Esmaeili and Farokh Marvasti},
journal= {arXiv preprint arXiv:1606.03672},
year = {2016}
}