In this paper, we carry out a unified study for $L_1$ over $L_2$ sparsity promoting models, which are widely used in the regime of coherent dictionaries for recovering sparse nonnegative/arbitrary signals. First, we provide a unified theoretical analysis on the existence of the global solutions of the constrained and the unconstrained $L_{1}/L_{2}$ models. Second, we analyze the sparse property of any local minimizer of these $L_{1}/L_{2}$ models which serves as a certificate to rule out the nonlocal-minimizer stationary solutions. Third, we derive an analytical solution for the proximal operator of the $L_{1} / L_{2}$ with nonnegative constraint. Equipped with this, we apply the alternating direction method of multipliers to the unconstrained model with nonnegative constraint in a particular splitting way, referred to as ADMM$_p^+$. We establish its global convergence to a d-stationary solution (sharpest stationary) without the Kurdyka-\L ojasiewicz assumption. Extensive numerical simulations confirm the superior of ADMM$_p^+$ over the state-of-the-art methods in sparse recovery. In particular, ADMM$_p^+$ reduces computational time by about $95\%\sim99\%$ while achieving a much higher accuracy than the commonly used scaled gradient projection method for the wavelength misalignment problem.


翻译:在本文中,我们为超过1美元L1}/L2}美元的地方最小化模型的稀有性质进行了统一研究,这些模型被广泛用于恢复稀少的非消极/任意信号的统一字典制度。首先,我们对限制和不受限制的$L1}/L2}美元模型的全球解决方案的存在情况进行了统一的理论分析。第二,我们分析了这些$1}/L2}美元模型的本地最小化模型的稀薄性质,作为排除非当地最低货币固定解决方案的证书。第三,我们为美元/L1}/L2}的准字典操作者提出了一个分析解决方案,而没有消极限制。为此,我们用一种交替式的乘数方法对不受限制的模型进行了交替式指导,特别称之为ADMM$_p$/美元。我们建立了全球趋同一种固定解决方案(固定固定状态)的结合,而没有Kurdyka-L$/L2}/L2} 美元无偏差限制的准操作者,同时用ADM_M_ 通常的货币回收方法来确认最高货币的精确度假设。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
72+阅读 · 2022年6月28日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2023年3月10日
Arxiv
13+阅读 · 2021年5月25日
VIP会员
相关VIP内容
不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
72+阅读 · 2022年6月28日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员