คำถามของคุณเน้นปัญหาการกู้คืน "ที่แน่นอน" (เราต้องการกู้คืนขวาน k-sparse xได้รับอย่างแน่นอน) ในต่อไปนี้แม้ว่าฉันจะมุ่งเน้นไปที่รุ่น "แข็งแกร่ง" โดยที่xเป็นเวกเตอร์โดยพลการและเป้าหมายของอัลกอริทึมการกู้คืนคือการหาค่าประมาณk -sparse x 'ถึงx (ความแตกต่างนี้สำคัญสำหรับการอภิปรายด้านล่าง ) เป็นทางการที่คุณต้องการติดตามปัญหา (เรียกว่าP_1 ):Axxkx′xP1
การออกแบบAที่xใด ๆxสามารถกู้คืนx′โดยที่
∥x−x′∥L≤
minx"C∥x−x"∥Rโดยที่อยู่เหนือเวกเตอร์ -sparse ทั้งหมดx"k
ที่นี่ และ แสดงถึงซ้ายและบรรทัดฐานที่ถูกต้องและ คือ "ปัจจัยการประมาณ" มีตัวเลือกต่าง ๆ ที่เป็นไปได้สำหรับและ \ สำหรับ concreteness เราสามารถคิดว่าทั้งสองมีค่าเท่ากับหรือ ; มันสามารถทำให้ยุ่งมากขึ้นได้∥⋅∥L∥⋅∥RC∥⋅∥L∥⋅∥Rℓ2ℓ1
ตอนนี้ถึงบางส่วนของ analogs และ generalisations
พื้นฐานโดยพลการ ก่อนสังเกตว่าโครงการใด ๆ ที่ตอบสนองความหมายข้างต้นสามารถใช้ในการแก้ปัญหาทั่วไปได้มากขึ้นซึ่งสัญญาณที่กู้คืนนั้นกระจัดกระจายตามอำเภอใจ (เช่นเวฟของฟูริเยร์) ไม่ใช่แค่มาตรฐานเดียว ให้เป็นเมทริกซ์พื้นฐาน อย่างเป็นทางการเวกเตอร์คือ -sparse ในพื้นฐานถ้าโดยที่คือ -sparse ตอนนี้เราสามารถพิจารณาปัญหาทั่วไป (เรียกว่า ):x′BukBu=BvvkPB
ออกแบบเช่นนี้ซึ่งได้รับเราสามารถกู้คืนโดยที่ABABxx′∥x−x′∥L≤
minx"C∥x−x"∥Rที่ ช่วงกว่าเวกเตอร์ทั้งหมดที่ -sparse ในBx"kB
หนึ่งสามารถลดปัญหานี้ให้กับปัญหาที่เกิดขึ้นก่อนหน้านี้โดยการเปลี่ยนพื้นฐานคือใช้วัดเมทริกซ์1} หากเรามีวิธีแก้ปัญหาใน norm (เช่นซ้ายและขวาปกติเท่ากับ ) เราก็จะได้คำตอบสำหรับใน norm หากใช้บรรทัดฐานอื่นเราจะแก้ในบรรทัดฐานเหล่านั้นที่แก้ไขโดยเปลี่ยนพื้นฐานP1AB=AB−1P1ℓ2ℓ2PBℓ2P1PB
หนึ่งข้อแม้ในข้างต้นคือว่าในวิธีการข้างต้นเราจำเป็นต้องรู้เมทริกซ์เพื่อกำหนดA_Bอาจจะแปลกใจถ้าเราช่วยให้การสุ่ม (ไม่คงที่ แต่เลือกแทนการสุ่ม) มันเป็นไปได้ที่จะเลือกจากการกระจายการแก้ไขที่เป็นอิสระจากBนี่คือคุณสมบัติสากลที่เรียกว่าBABABABB
พจนานุกรม การวางนัยทั่วไปต่อไปสามารถทำได้โดยการวางข้อกำหนดที่เป็นพื้นฐาน แต่เราสามารถอนุญาตให้มีแถวมากกว่าคอลัมน์ได้ เมทริกซ์ดังกล่าวเรียกว่า (เกินความสมบูรณ์) พจนานุกรม ตัวอย่างหนึ่งที่ได้รับความนิยมคือเมทริกซ์เอกลักษณ์ด้านบนของเมทริกซ์ฟูริเยร์ อีกตัวอย่างคือเมทริกซ์ที่แถวเป็นเวกเตอร์ลักษณะของช่วงเวลาทั้งหมดใน {1 ... n}; ในกรณีนี้ชุด { } มีคำว่า " -histograms" ทั้งหมดนั่นคือฟังก์ชันคงที่ทีละหนึ่งส่วน {1 ... n} กับส่วนใหญ่BBBu:u is k-sparsekk
เท่าที่ฉันรู้ว่าไม่มีทฤษฎีทั่วไปสำหรับพจนานุกรมตามอำเภอใจเช่นนี้แม้ว่าจะมีงานจำนวนมากพอสมควรในหัวข้อนี้ ดูเช่น
Candes-Eldar-Needell'10หรือ
Donoho-Elad-Temlyakov, ธุรกรรมอีอีอีทฤษฎีสารสนเทศ 2004
ร่างสำหรับ histograms ถูกตรวจสอบอย่างกว้างขวางในการสตรีมมิ่งและวรรณกรรมฐานข้อมูลเช่น
กิลเบิร์กู-Indyk-Kotidis-Muthukrishnan สเตราส์, STOC 2002หรือ
Thaper-กู-Indyk-Koudas, SIGMOD 2002
รุ่น (ยังเอ่ยถึงโดย Arnab) ลักษณะทั่วไปที่แตกต่างคือการแนะนำข้อ จำกัด ในรูปแบบ sparsity ให้เป็นส่วนย่อยของ -subsets ของ {1 ... n} เราบอกว่าเป็น -sparse ถ้าการสนับสนุนของจะรวมอยู่ในองค์ประกอบของMตอนนี้เราสามารถทำให้เกิดปัญหา (เรียกว่า ):MkuMuMPM
การออกแบบที่ใด ๆสามารถกู้คืนโดยที่Axx′∥x−x′∥L≤
minx"C∥x−x"∥Rโดยที่อยู่เหนือเวกเตอร์ -sparse ทั้งหมดx"M
ตัวอย่างเช่นองค์ประกอบของอาจอยู่ในรูปแบบโดยที่แต่ละตรงกับ "sub-block" หนึ่งตัวของ {1 ... n} ของความยาวบางส่วนเช่นนั้นเป็นของ รูปแบบ {JB + 1 ... (ญ + 1) ข} สำหรับบางญนี่คือโมเดลที่เรียกว่า "block sparsity" MI1∪…∪IkIibIij
ประโยชน์ของแบบจำลองคือสามารถประหยัดจำนวนการตรวจวัดเปรียบเทียบกับวิธี -sparsity ทั่วไป นี่เป็นเพราะพื้นที่ของสัญญาณ -sparse มีขนาดเล็กกว่าพื้นที่ของสัญญาณ sparse ทั้งหมดดังนั้นเมทริกซ์จำเป็นต้องเก็บรักษาข้อมูลให้น้อยลง สำหรับข้อมูลเพิ่มเติมโปรดดูที่
Baraniuk-Cevher-Duarte-จด์, ธุรกรรมอีอีอีทฤษฎีสารสนเทศ 2010หรือ
เอลดาร์-Mishali, ธุรกรรมอีอีอีทฤษฎีสารสนเทศ 2009kMkA
หวังว่านี่จะช่วยได้