Alternating direction method of multipliers for nonlinear image restoration problems.
PulseAugur coverage of Alternating direction method of multipliers for nonlinear image restoration problems. — every cluster mentioning Alternating direction method of multipliers for nonlinear image restoration problems. across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
新研究统一了基于范数正则化的线性推荐模型
本文研究了线性推荐模型的正则化景观，发现表现最佳的模型主要使用核范数或Frobenius范数正则化器。虽然核范数解是低秩且有闭式解的，但其预测能力有限。Frobenius范数解更具表现力，但需要复杂的数值过程。作者提出了两种新的低秩闭式解，结合了两种正则化类型的优点。
-
新方法利用稀疏线性规划高效学习平衡符号图
研究人员开发了一种新颖的方法，用于高效学习平衡符号图，该图包含数据中的正负相关性。这种新方法通过为图拉普拉斯矩阵的每一列构建一个约束线性规划（LP）问题来扩展基于线性规划的技术。该方法在理论上保证收敛，并在合成和真实世界数据集上展示出优于现有方法的性能。学习到的平衡图能够有效重用最初为正图设计的谱滤波工具和图神经网络。
-
新的分类法使用拉格朗日乘子对非凸优化机制进行分类
一篇新的研究论文通过分析KKT平稳点处拉格朗日乘子的特征，引入了一种非凸优化问题的分类法。该分类法将问题分为五种运行机制：无约束、资源受限、饱和、强耦合和混合。该框架旨在为非凸优化的算法设计和鲁棒性分析提供基础工具，数值实验验证了其理论预测。
-
新的ADMM-Q算法增强了LLM量化，降低了困惑度
研究人员开发了ADMM-Q，这是一种旨在改进大型语言模型训练后量化的新算法。该方法利用交替方向乘子法的组合变体来解决逐层量化问题，旨在降低存储和计算需求，同时不显著影响模型效用。ADMM-Q被设计为现有量化器的模块化替代品，并且可以与其他技术集成。在Qwen3-8B模型上的初步测试显示，在各种量化设置下困惑度均有显著降低。
-
新的SNMF方法通过新颖的正则化增强了稀疏性和可识别性
研究人员开发了一种新的可分离非负矩阵分解（SNMF）方法，该方法增强了学习因子的稀疏性和可识别性。这种方法利用了幂比率范数正则化器，导致了一个非凸和非光滑的公式。为了解决优化挑战，已经创建了基于凸差函数算法（DCA）和交替方向乘子法（ADMM）的高效算法。数值实验表明，这种新方法在锚点识别和分类准确性方面与现有的SNMF技术相比具有竞争力或更优，同时保持了高效的计算。
-
新的CM-GLasso框架学习可解释的视觉语言依赖图
研究人员开发了CM-GLasso，一个用于从多模态视觉语言数据中学习可解释条件依赖结构的新框架。该方法将视觉语言表示学习与稀疏高斯图模型相结合。CM-GLasso利用文本可视化策略处理类别-属性描述，并通过跨注意力蒸馏机制将高维图像块压缩成语义图节点，生成跨模态结构先验。该框架采用联合ADMM公式进行高效估计，并在各种基准测试中表现出竞争力，包括在分类和分割任务上取得高精度。
-
Frozen CLIP Priors Enhance Self-Supervised Imaging for Poisson Noise
研究人员开发了一种新颖的自监督学习方法，用于成像逆问题，在泊松噪声下尤其有效。该方法利用冻结的CLIP RN50特征作为ADMM启发式求解器中的参数高效先验。该方法展示了具有竞争力的图像重建质量，并提高了对数据集和采集变化的鲁棒性，其自监督性能接近监督训练的性能。
-
新的 MS-WDRO 框架使用 Wasserstein 度量融合异构图数据
研究人员开发了一个名为 MS-WDRO 的新颖框架，用于从多个异构数据源学习图结构。该方法利用 Wasserstein 度量来融合不同的数据集，通过计算加权 Wasserstein 重心，在保留每个源的内在几何结构的同时对残余不确定性进行对冲。该框架使用交替方向乘子法 (ADMM) 方案进行优化，并包含一个用于数据自适应超参数校准的可微分架构。在合成数据和 ABIDE I 神经影像数据集上的实验表明，MS-WDRO 在图恢复、样本效率…
-
AI助力发现ADMM收敛的对例
研究人员发现了一个三块交替方向乘子法（ADMM）在第三个约束块为单位矩阵时的收敛对例。他们利用Codex和GPT-5.6 Sol等AI工具，构造并验证了一个明确的有理数对例，该对例产生了一个有界的非收敛轨道。通过进一步使用Kimi Code和Kimi K3等AI进行研究，探索了乘子松弛技术以恢复收敛性，发现小的对偶步长可能有效，而任何正的相对步长都不能普遍适用。
-
新论文探讨完美隐私下的信息瓶颈
本文在完美隐私条件下探讨信息瓶颈原理，重点关注表示率约束活跃的场景。目标是创建一个在保持效用相关信息的同时，与敏感变量统计独立的表示。这种严格的独立性要求比标准的率-相关性权衡增加了复杂性。为解决此问题，作者提出了一种基于交替方向乘子法（ADMM）的方法，证明了其全局收敛性，并使用Kurdyka-Lojasiewicz指数对其速率进行了表征，同时扩展了不精确更新的情况。
-
新的MINGLE框架通过因子图模型增强投资组合多元化
研究人员开发了一个名为MINGLE（Mutually-INformed Graph-Locality and Exposures）的新框架，以改善投资组合多元化。该框架通过系统性因子暴露概况重新定义图的局部性，将传统因子模型与基于图的方法相结合。MINGLE使用交替方向乘子法（ADMM）直接从市场回报中联合学习潜在因子表示及其诱导的图拓扑。与基于相关性的方法相比，使用此方法构建的投资组合在各种波动性和交易成本情景下均表现出持续的优越性。
-
新框架支持去中心化网络上的隐私保护分布式卷积秩回归
研究人员为去中心化网络上的分布式卷积秩回归（CRR）引入了一个新框架。该方法允许仅使用本地数据和邻居节点之间共享的信息来推导估计量，从而提高隐私性和通信效率。该框架包括异构网络设置下的有限样本误差界限，以及稀疏 CRR LASSO 估计器的支持恢复保证。采用广义共识 ADMM 在网络节点之间进行高效的数值实现，并通过模拟和真实世界实验验证了其性能。
-
新的PIV方法融合算法，以改进流体动力学控制
研究人员开发了一种新颖的方法，通过融合来自多个异构算法的估计来优化粒子图像测速（PIV）测量。这种基于共识的方法利用交替方向乘子法（ADMM），并结合了平滑性和不可压缩性等先验知识，以改进流体量化。该方法在密集逆搜索估计器上展示了高达20%的端点误差降低，并成功应用于主动流体控制装置，实现了显著的减阻或增阻。
-
新的ADMM算法加速场景模型预测控制
研究人员开发了一种新颖的学习加速交替方向乘子法（ADMM）算法，以显著加速基于场景的模型预测控制（SBMPC）。该方法重新构建了SBMPC问题，以实现跨场景和时间步长的并行更新，并利用Moreau包络学习来加速计算。在微电网能源管理问题上的评估显示，与IPOPT和MadNLP等传统求解器相比，该方法在保持精确控制性能的同时，实现了显著的加速。
-
揭示用于时空数据分析的新统计方法
本文介绍了一种名为局部自适应回归样条的新统计方法，用于估计具有时空依赖性的数据集中的非参数回归函数。该研究将现有方法扩展到单变量和多变量环境，并提出了一种用于实际计算的ADMM算法。研究证明了所提出估计量的最小最大最优性，并发现了一种该类样条分析特有的新相变现象。模拟和实际应用均表明，这种新方法优于现有技术。
-
新的ADMM算法解决了非线性矩阵分解问题
研究人员开发了一种利用交替方向乘子法（ADMM）解决非线性矩阵分解（NMD）的新算法。该方法旨在通过寻找矩阵W和H来近似矩阵X，使得X近似等于应用于它们的乘积（WH）的非线性函数f。该算法支持各种非线性函数，如整流线性单元、逐分量平方和MinMax变换，并可适应不同的损失函数，包括最小二乘法、L1范数和Kullback-Leibler散度。在真实数据集上的评估表明，该方法在各种潜在用途中的适用性、效率和适应性。