神经增强的 ALISTA
机器学习
2020-10-06 v1 信息论
信号处理
math.IT
机器学习
摘要
众所周知，许多迭代稀疏重建算法可被展开为可学习的神经网络以提升经验性能。一个典型例子是 learned ISTA（LISTA），其权重、步长与阈值均从训练数据中学习。近来，Analytic LISTA（ALISTA）被提出，它结合了如 LISTA 般完全学习方法的强经验性能，同时保留经典压缩感知算法的理论保证，并显著减少需学习的参数数量。然而，这些参数被训练为在期望意义上生效，常导致对单个目标的次优重建。在本文中，因此我们引入神经增强的 ALISTA，其中利用 LSTM 网络在重建期间为每个目标向量单独计算步长与阈值。这一自适应方法通过重访 ALISTA 的恢复保证而在理论上得以论证。我们表明，我们的方法进一步提升了稀疏重建的经验性能，尤其在压缩比更具挑战时，以渐增的幅度优于现有算法。
引用
@article{arxiv.2010.01930,
title = {Neurally Augmented ALISTA},
author = {Freya Behrens and Jonathan Sauder and Peter Jung},
journal= {arXiv preprint arXiv:2010.01930},
year = {2020}
}
备注
10pages, 9 figures