An Adaptive Approach to Learn Overcomplete Dictionaries With Efficient Numbers of Elements
Notice bibliographique
Résumé
Dictionary learning for sparse representation has recently attracted attention among the signal processing society in a variety of applications such as denoising, classification, and compression. The number of elements in a learned dictionary is crucial since it governs specificity and optimality of sparse representation. Sparsity level, number of dictionary elements, and representation error are three correlated factors in which setting each pair of them results in a specific value of the third factor. An arbitrary selection of the number of dictionary elements affects either the sparsity level or/and the representation error. Despite recent advancements in training dictionaries, the number of dictionary elements is still heuristically set. To avoid the representation’s suboptimality, a systematic approach to adapt the elements’ number based on input datasets is essential. Some existing methods try to address this requirement such as enhanced K-SVD, sub-clustering K-SVD, and stage-wise K-SVD. However, it is not specified under which sparsity level and representation error criteria their learned dictionaries are size-optimized. We propose a new dictionary learning approach that automatically learns a dictionary with an efficient number of elements that provides both desired representation error and desired average sparsity level. In our proposed method, for any given representation error and average sparsity level, the number of elements in the learned dictionary varies based on content complexity of training datasets. The performance of the proposed method is demonstrated in image denoising. The proposed method is compared to state-of-the-art, and results confirm the superiority of the proposed approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».