PHASE TRANSITIONS IN ERROR CORRECTING AND COMPRESSED SENSING BY ℓ<sub>1</sub> LINEAR PROGRAMMING
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In correcting a real linear code y = Bx + w by ℓ 1 linear programming, where the encoding matrix B ∈ ℝ m × n has full rank with m ≥ n and the noise w ∈ ℝ m is a sparse random vector, it is numerically observed that the breakdown points of 50% successes in recovering the input vector x ∈ ℝ n from the corrupted oversampled measurement y lie on the Donoho–Tanner curves when reflected in their midpoint. The curves of 50% successes in solving underdetermined systems, z = Aw, by ℓ 1 linear programming with uniformly distributed compressed sensing matrices A ∈ ℝ d × m , where d < m and w is a sparse vector, have been numerically observed and recently shown to coincide with the Donoho–Tanner curves for normally-distributed compressed sensing matrices A derived from geometric combinatorics. When n ≤ m/2, correcting a linear code is faster if done directly by ℓ 1 linear programming. However, when n > m/2, to save computing time, this problem can be transformed into an underdetermined compressed sensing problem, Aw = z := Ay, for the syndrome z by a full rank matrix A ∈ ℝ d × m , d = m – n, such that AB = 0. For this purpose, to have equivalently high mean breakdown points by ℓ 1 linear programming, one can use uniformly distributed random matrices A ∈ ℝ (m-n) × m and matrices B ∈ ℝ m × n with orthonormal columns spanning the null space of A. Two exceptional cases have been found. Numerical results are collected in figures and tables.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle