学习显式条件化的稀疏化变换
数值分析
2024-03-06 v1 人工智能
机器学习
数值分析
最优化与控制
摘要
在过去几十年中，稀疏化变换作为在特定变换域中寻找信号结构化稀疏表示的工具而广为人知。尽管诸如DCT和Wavelet等经典变换很受欢迎，但学习能保证数据在稀疏域中获得良好表示的最优变换，最近在一系列论文中得到了分析。通常，条件数和表示能力是学习方阵变换的两个互补关键特征，在给定的优化模型中可能无法显式控制。与文献中的现有方法不同，在本文中，我们考虑了一种新的稀疏化变换模型，该模型对数据表示质量和所学变换的条件数实施显式控制。我们通过数值实验证实，我们的模型比现有技术表现出更好的数值行为。
引用
@article{arxiv.2403.03168,
title = {Learning Explicitly Conditioned Sparsifying Transforms},
author = {Andrei Pătraşcu and Cristian Rusu and Paul Irofti},
journal= {arXiv preprint arXiv:2403.03168},
year = {2024}
}