English(EN) Statistical inverse learning and $\ell^1$-regularization

新的统计逆向学习方法使用 $\ell^1$-正则化进行稀疏函数恢复

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-08 14:32

研究人员开发了一种新的统计逆向学习方法，该方法利用 $\ell^1$-正则化从间接和噪声观测中恢复稀疏函数。所提出的方法在理论上进行了分析，确立了其一致性，并推导了预测和 $\ell^1$ 重构范数下的收敛速率。通过匹配极小极大下界，这些速率被证明是最优的。该框架应用于椭圆偏微分方程中的反应系数识别和稀疏计算断层扫描等问题，并为滤波后的Radon变换推导了显式的收敛速率。 AI

排序理由该条目是发表在arXiv上的学术论文，详细介绍了一种新的统计方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

$新的统计逆向学习方法使用 $\ell^1$-正则化进行稀疏函数恢复$

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Luca Ratti · 2026-07-08 14:32

Statistical inverse learning and $\ell^1$-regularization

We study the recovery of sparse functions from finite, noisy, and indirect observations in the framework of statistical inverse learning. The unknown is modeled as an element of $\ell^1$, and observations are generated through a possibly nonlinear forward operator $A:\ell^1\to H$…

报道来源 [1]

Statistical inverse learning and $\ell^1$-regularization

相关实体

相关话题