Sure independence screening and compressed random sensing
确定独立筛选与压缩随机感知AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究压缩感知和通用稀疏恢复，未提供所列经济计量细分方向的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
确定独立筛选与压缩随机感知
- 研究问题
- 如何利用随机感知矩阵的结构，加快高维稀疏信号恢复，并刻画噪声对确保筛入真实信号概率的影响？
- 方法与思路
- 作者提出基于确定独立筛选的aggressive betting方法，先研究无噪声稀疏恢复，再分析有噪声情况下的筛选概率。
- 材料陈述的贡献
- 摘要称，对包含高斯和伯努利情形的次高斯感知矩阵，方法以极高概率精确恢复，并明确揭示噪信比的影响。
- 阅读关注点
- 应核对矩阵分布、稀疏度和样本规模之间的条件，筛选与恢复的关系，以及计算加速和含噪概率界的具体依据。
- 阅读边界
- 摘要未提供精确恢复所需的维数关系、概率界或计算复杂度；不能将次高斯随机矩阵结论推广至任意设计矩阵。
原文摘要
Compressed sensing is a very powerful and popular tool for sparse recovery of high dimensional signals. Random sensing matrices are often employed in compressed sensing. In this paper we introduce a new method named aggressive betting using sure independence screening for sparse noiseless signal recovery. The proposal exploits the randomness structure of random sensing matrices to greatly boost computation speed. When using sub-Gaussian sensing matrices, which include the Gaussian and Bernoulli sensing matrices as special cases, our proposal has the exact recovery property with overwhelming probability. We also consider sparse recovery with noise and explicitly reveal the impact of noise-to-signal ratio on the probability of sure screening. Copyright 2011, Oxford University Press.