Signal-Dependent Performance Analysis of Orthogonal Matching Pursuit for Exact Sparse Recovery
Notice bibliographique
Résumé
Exact recovery of K-sparse signals x ∈ ℝnfrom linear measurements y = Ax, where A ∈ ℝm×nis a sensing matrix, arises from many applications. The orthogonal matching pursuit (OMP) algorithm is widely used for reconstructing x based on y and A due to its excellent recovery performance and high efficiency. A fundamental question in the performance analysis of OMP is the characterizations of the probability of exact recovery of x for random matrix A and the minimal m to guarantee a target recovery performance. In many practical applications, in addition to sparsity, x also has some additional properties (for example, the nonzero entries of x independently and identically follow a Gaussian distribution, or x has exponentially decaying property). This paper shows that these properties can be used to refine the answer to the above question. Toward this end, we first show that the prior information of the nonzero entries of x can be used to provide an upper bound on ||x||12/||x||22. Then, we use this upper bound to develop a lower bound on the probability of exact recovery of x using OMP in K iterations. Furthermore, we develop a lower bound on the number of measurements m to guarantee that the exact recovery probability using K iterations of OMP is no smaller than a given target probability. Finally, we show that when K = O(√ln n), as both n and K go to infinity, sufficient to ensure that the probability of exact recovering any K-for any 02and to asymptotically m ≈ 1.9K ln(n/ζ), respectively.
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 | 0,007 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».