Loading...

Information Retrieval from Incomplete Observations

Esmaeili, Ashkan | 2019

1205 Viewed
  1. Type of Document: Ph.D. Dissertation
  2. Language: Farsi
  3. Document No: 51911 (05)
  4. University: Sharif University of Technology
  5. Department: Electrical Engineering
  6. Advisor(s): Marvasti, Farokh
  7. Abstract:
  8. In this dissertation, Data analysis and information retrieval from incomplete observations are investigated in different applications. Incomplete observations may be induced by lack of observations or part of data affected by specific noise (quantization noise). Data-driven algorithms are among important hot topics. Our goal is to process the lost information inducing certain assumption on big data structures. Then, the approach is to mathematically model the problem of interest as an optimization problem. Next, the designed algorithms for the optimization problems are proposed trying to cut down on the computational complexity of as well as enhancing recovery accuracy for big data applications. Compressive Sensing (CS) and Matrix Completion (MC) are widely used in modeling computational methods, Signal processing, and Machine Learning. In many applications, sparse signals or low0rank matrices are taken into account which are not fully sensed or observed. In this manuscript, we first introduce a CS approach which yields noticeable reconstruction quality in low sampling scenarios of CS. In following chapters, diverse MC applications are considered, and proposed algorithms for big data are investigated compared to literature algorithms
  9. Keywords:
  10. Compressive Sensing ; Matrix Completion ; Semi-Supervised Learning ; Incomplete Observations ; Quantized Matrix Completion ; Sparse Data Recovery ; Low-Rank Matrix

 Digital Object List

 Bookmark

  • مقدّمه
    • مقدّمه
    • حسگری فشرده
    • کاربردهای حسگری فشرده
      • کاربرد حسگری فشرده در حوزه‌ی تصویربرداری
      • کاربرد حسگری فشرده در حوزه‌ی مخابرات
    • از حسگری فشرده به تکمیل ماتریس
    • تکمیل ماتریس رتبه پایین
    • کاربردهای تکمیل ماتریس
    • معرّفی نمادگذاری‌ها
    • نوآوری‌های رساله
    • طبقه‌بندی مطالب رساله
  • مروری بر حسگری فشرده و تکمیل ماتریس
    • مقدّمه
      • یکتایی در حسگری فشرده
      • پایداری
    • روش‌های بازیابی بردار تنک
      • روش‌های بر پایه تقریب محدّب
      • روش‌های حریصانه
      • روش‌های مبتنی بر آستانه‌بندی تکراری
    • الگوریتم‌های تکمیل ماتریس
      • تقریب رتبه پایین
      • بازیابی رتبه پایین و کمینه‌سازی نرم هسته‌ای
      • آستانه‌گذاری سخت تکرارشونده
      • نگاشت‌های متناوب
    • روش‌های موجود برای کاربرد تکمیل ماتریس در پیش‌بینی
    • روش‌های موجود برای تکمیل ماتریس کوانتیزه
    • نتیجه‌گیری
  • روش بازسازی تنک پیشنهادی مبتنی بر تصویر کردن بر فضای پوچ با آستانه وفقی
    • مقدّمه
    • تصویر کردن تکرارشونده بر فضای پوچ با آستانه‌ی وفقی
      • تعبیر جبری
    • نتایج شبیه‌سازی
    • نتیجه‌گیری
  • روش پیشنهادی برای مسئله‌ی توأمان تکمیل ماتریس و پیش‌بینی
    • مقدمه
    • مدل ریاضی و روش پیشنهادی
    • الگوریتم پیشنهاد شده
      • روش گرادیان تصویر شده طیفی
    • تحلیل رفتار همگرایی روش پیشنهادی
      • نتایج شبیه‌سازی‌ها
    • مجموعه‌ی داده‌ها
      • Yeast
      • CAL500
      • Music Emotions
      • سناریوهای اطلاعات گم‌شده
    • نتیجه‌گیری
  • تکمیل ماتریس کوانتیزه
    • مدل ریاضی مسئله
    • تقریب رتبه‌ی هموار شده
    • الگوریتم پیشنهادی QMC-HANDS
    • تحلیل همگرایی سراسری
    • الگوریتم پیشنهادی QMC-BIF
      • مدل مسئله برای QMC-BIF
    • تحلیل تئوری همگرایی روش مبتنی بر لاگرانژین افزوده
    • شبیه‌سازی‌های عددی
    • نتیجه‌گیری
  • جمع‌بندی و پیشنهادات
...see more