JOBS：基于自助样本联合稀疏优化
机器学习
2018-12-12 v2 机器学习
信号处理
摘要
基于 最小化的经典信号恢复通过促进稀疏的正则化对所有可用测量值求解最小二乘问题。在实践中，常常并非所有测量都可用或为恢复所需。测量可能受损/缺失，或以流形式顺序到达。在本文中，我们提出一种基于测量值子集的全局稀疏恢复策略，命名为 JOBS，其中通过自助法从原始测量池生成多个测量向量，然后强制联合稀疏约束以确保多个预测变量间支持集一致性。最终估计通过对 个预测变量取平均获得。理论上分析了与不同自助样本数 和估计数 选择相关的性能极限。仿真结果验证了部分理论分析，并表明所提方法在测量水平低的挑战性情形下取得了最先进的恢复性能，优于 最小化及若干其他现有基于自助的技术；并且在流设置下优于其他基于 bagging 的方法，因为其对大数据集在较小 和 下表现更好。
引用
@article{arxiv.1810.03743,
title = {JOBS: Joint-Sparse Optimization from Bootstrap Samples},
author = {Luoluo Liu and Sang Peter Chin and Trac D. Tran},
journal= {arXiv preprint arXiv:1810.03743},
year = {2018}
}