利用传输变换划分信号类别用于数据分析与机器学习
机器学习
2021-02-25 v2 信号处理
机器学习
摘要
一组相对较新的基于传输的变换(CDT、R-CDT、LOT)已在各种图像与数据处理任务中展现出其优势与巨大潜力，例如参数化信号估计、分类、癌症检测等诸多应用。因此，阐明这些变换在作为数据分析、信号处理或数据分类工具时取得成功的一些数学性质是值得的。特别地，我们给出条件，使得由代数生成模型创建的信号的类别被传输变换转化为凸集。这种类别的凸化在变换域中审视时，简化了分类及其他数据分析与处理问题。更具体地，我们在代数生成建模框架下研究这些变换凸化能力的程度与局限。我们希望本文能作为这些变换的入门介绍，并鼓励数学家与其他研究者进一步探索其理论根基与算法工具，以助于理解这些变换的成功之处，并为进一步成功应用奠定基础。
引用
@article{arxiv.2008.03452,
title = {Partitioning signal classes using transport transforms for data analysis and machine learning},
author = {Akram Aldroubi and Shiying Li and Gustavo K. Rohde},
journal= {arXiv preprint arXiv:2008.03452},
year = {2021}
}
备注
23 pages, 6 figures