学习用于稀疏表示的稳定多级字典
计算机视觉与模式识别
2013-09-26 v2 机器学习
摘要
使用学习字典的稀疏表示在多个数据处理和机器学习应用中越来越成功。大量训练数据的可用性需要开发高效、稳健且可证明好的字典学习算法。算法稳定性和泛化性是字典学习算法期望的特性，这些算法旨在构建能够有效建模任何与训练样本相似的测试数据的全局字典。在本文中，我们提出了一种从大规模数据中学习用于稀疏表示的字典的算法，并证明了所提出的学习算法是稳定的且渐近可泛化的。该算法采用一维子空间聚类过程，即K-超线聚类，以学习具有多个层次的分层字典。我们还提出了一种信息论方案来估计每个学习层次所需的原子数量，并开发了一种集成方法来学习稳健的字典。使用所提出的字典，可以通过低复杂度的追踪过程计算新测试数据的稀疏编码。我们通过仿真展示了所提出算法的稳定性和泛化特性。我们还评估了多级字典在压缩恢复和子空间学习应用中的效用。
引用
@article{arxiv.1303.0448,
title = {Learning Stable Multilevel Dictionaries for Sparse Representations},
author = {Jayaraman J. Thiagarajan and Karthikeyan Natesan Ramamurthy and Andreas Spanias},
journal= {arXiv preprint arXiv:1303.0448},
year = {2013}
}