Publication

Dictionary Learning with Statistical Sparsity in the Presence of Noise

Michaël Unser, Shayan Aziznejad, Emmanuel Emilien Louis Soubies
2020
Conference Papers

Résumé

We consider a new stochastic formulation of sparse representations that is based on the family of symmetric alpha-stable (S alpha S) distributions. Within this framework, we develop a novel dictionary-learning algorithm that involves a new estimation technique based on the empirical characteristic function. It finds the unknown parameters of an S alpha S law from a set of its noisy samples. We assess the robustness of our algorithm with numerical examples.

Source officielle

https://infoscience.epfl.ch/entities/publication/8c460843-2ae5-4862-b4cf-c5ce111daf73

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dictionary Learning with Statistical Sparsity in the Presence of Noise

Chattez avec Graph Search

Leveraging Continuous Time to Understand Momentum When Training Diagonal Linear Networks

Kernel Methods and Similarity Learning Applied in Computational Chemistry

Sparse image reconstruction on the sphere: implications of a new sampling theorem