从线性样本混合中恢复稀疏信号
机器学习
2020-07-15 v2 数据结构与算法
信息论
机器学习
math.IT
摘要
线性混合回归是一种被广泛用于表示异质数据的流行学习理论模型。在最简单的形式中，该模型假设标签由两个不同的线性模型之一生成并混合在一起。Yin 等人及 Krishnamurthy 等人（2019）近期的工作关注该问题的模型恢复的实验设计设定。其假设可以设计特征并查询以获得其标签。当被查询时，一个预言机随机选取两个不同的稀疏线性模型之一并相应地生成标签。需要多少这样的预言机查询才能同时恢复两个模型？该问题也可被视为著名的压缩感知问题（Candès and Tao, 2005; Donoho, 2006）的推广。在本工作中，我们解决这一查询复杂度问题，并提供比先前已知最优结果更优的高效算法。
引用
@article{arxiv.2006.16406,
title = {Recovery of Sparse Signals from a Mixture of Linear Samples},
author = {Arya Mazumdar and Soumyabrata Pal},
journal= {arXiv preprint arXiv:2006.16406},
year = {2020}
}
备注
International Conference on Machine Learning (ICML), 2020. (26 pages, 3 figures)