Benutzer: Gast  Login
Originaltitel:
Understanding and Enhancing Data Recovery Algorithms 
Originaluntertitel:
From Noise-Blind Sparse Recovery to Reweighted Methods for Low-Rank Matrix Optimization 
Übersetzter Titel:
Algorithmen für verbesserte Datenrekonstruktion 
Übersetzter Untertitel:
Über fehlende Fehlerschätzer und iterativ neugewichtete Methoden zur Niedrigrang-Matrixoptimierung 
Jahr:
2019 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Mathematik 
Betreuer:
Krahmer, Felix (Prof. Dr.) 
Gutachter:
Krahmer, Felix (Prof. Dr.); Potts, Daniel (Prof. Dr.); Saab, Rayan (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
MAT Mathematik 
Stichworte:
low-rank matrix completion, sparse recovery, non-convex optimization, heavy-tailed distributions, iteratively reweighted least squares 
Kurzfassung:
We prove new results about the robustness of noise-blind decoders for the problem of reconstructing a sparse vector from underdetermined linear measurements. Our results imply provable robustness of these decoders for random measurements with heavy-tailed distributions. We further propose a new algorithm for the reconstruction of low-rank matrices from few linear observations or from missing data. The algorithm is based on the iterative minimization of well-designed quadratic models of a non-con...    »
 
Übersetzte Kurzfassung:
Für das Problem der Rekonstruktion dünnbesetzter Lösungen unterbestimmter linearer Gleichungssysteme zeigen wir neue Resultate, die die Robustheit von Dekodern betreffen, welche keine Schätzung des Messfehlers benötigen. Sie implizieren eine beweisbare Robustheit dieser Dekoder bei zufälligen Messungen mit schweren Verteilungsenden. Die Arbeit entwickelt zudem einen neuen Algorithmus für die Identifikation von Niedrigrangmatrizen anhand von wenigen Beobachtungen. Der Algorithmus basiert auf der...    »
 
Mündliche Prüfung:
19.12.2019 
Dateigröße:
2203952 bytes 
Seiten:
181 
Letzte Änderung:
14.01.2020