کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
8898209 | 1631325 | 2018 | 37 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Convergence radius and sample complexity of ITKM algorithms for dictionary learning
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
موضوعات مرتبط
مهندسی و علوم پایه
ریاضیات
آنالیز ریاضی
پیش نمایش صفحه اول مقاله
![عکس صفحه اول مقاله: Convergence radius and sample complexity of ITKM algorithms for dictionary learning Convergence radius and sample complexity of ITKM algorithms for dictionary learning](/preview/png/8898209.png)
چکیده انگلیسی
In this work we show that iterative thresholding and K means (ITKM) algorithms can recover a generating dictionary with K atoms from noisy S sparse signals up to an error ÎµË as long as the initialisation is within a convergence radius, that is up to a logâ¡K factor inversely proportional to the dynamic range of the signals, and the sample size is proportional to Klogâ¡KεËâ2. The results are valid for arbitrary target errors if the sparsity level is of the order of the square root of the signal dimension d and for target errors down to Kââ if S scales as Sâ¤d/(âlogâ¡K).
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied and Computational Harmonic Analysis - Volume 45, Issue 1, July 2018, Pages 22-58
Journal: Applied and Computational Harmonic Analysis - Volume 45, Issue 1, July 2018, Pages 22-58
نویسندگان
Karin Schnass,