MétaCan
Menu
Retour à la cohorte
Enregistrement W4298038717 · doi:10.48550/arxiv.1010.4612

Recovering Compressively Sampled Signals Using Partial Support\n Information

2010· preprint· W4298038717 sur OpenAlexfundno aff
Michael P. Friedlander, Hassan Mansour, Rayan Saab, Özgür Yılmaz

Notice bibliographique

RevuearXiv (Cornell University) · 2010
Typepreprint
Langue
DomaineEngineering
ThématiqueSparse and Compressive Sensing Techniques
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésMinificationCompressed sensingSignal reconstructionSIGNAL (programming language)Noise (video)AlgorithmSignal recoveryMathematicsCompressibilityComputer scienceSignal processingMathematical optimizationArtificial intelligenceImage (mathematics)TelecommunicationsPhysics

Résumé

récupéré en direct d'OpenAlex

In this paper we study recovery conditions of weighted $\\ell_1$ minimization\nfor signal reconstruction from compressed sensing measurements when partial\nsupport information is available. We show that if at least 50% of the (partial)\nsupport information is accurate, then weighted $\\ell_1$ minimization is stable\nand robust under weaker conditions than the analogous conditions for standard\n$\\ell_1$ minimization. Moreover, weighted $\\ell_1$ minimization provides better\nbounds on the reconstruction error in terms of the measurement noise and the\ncompressibility of the signal to be recovered. We illustrate our results with\nextensive numerical experiments on synthetic data and real audio and video\nsignals.\n

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
Catégories consensuellesIntégrité de la recherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,467
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,093
Tête enseignante GPT0,201
Écart entre enseignants0,108 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuearXiv (Cornell University)Même sujetSparse and Compressive Sensing TechniquesTravaux en français237 207