Learning to Reconstruct Signals From Binary Measurements

要約

教師なし学習の最近の進歩により、ノイズの多い不完全な線形測定のみから信号を再構築する学習の可能性が強調されています。
これらの方法は、医療および科学のイメージングとセンシングにおいて重要な役割を果たしますが、そこではグラウンド トゥルース データが不足していたり​​、入手が困難であることがよくあります。
しかし、実際には、測定にはノイズが多く不完全であるだけでなく、量子化されます。
ここでは、バイナリ観測から学習する極端なケースを検討し、不完全なバイナリ データから一連の信号を識別するために必要な測定の数に関する必要十分条件を提供します。
私たちの結果は、バイナリ測定からの信号回復に関する既存の限界を補完するものです。
さらに、トレーニングにバイナリ データのみを必要とする、SSBM と名付けた新しい自己教師あり学習アプローチを導入します。
実際のデータセットを使った一連の実験では、SSBM が教師あり学習と同等のパフォーマンスを発揮し、固定ウェーブレット基底を使用したスパース再構成手法を大幅に上回るパフォーマンスを示しました。

要約(オリジナル)

Recent advances in unsupervised learning have highlighted the possibility of learning to reconstruct signals from noisy and incomplete linear measurements alone. These methods play a key role in medical and scientific imaging and sensing, where ground truth data is often scarce or difficult to obtain. However, in practice, measurements are not only noisy and incomplete but also quantized. Here we explore the extreme case of learning from binary observations and provide necessary and sufficient conditions on the number of measurements required for identifying a set of signals from incomplete binary data. Our results are complementary to existing bounds on signal recovery from binary measurements. Furthermore, we introduce a novel self-supervised learning approach, which we name SSBM, that only requires binary data for training. We demonstrate in a series of experiments with real datasets that SSBM performs on par with supervised learning and outperforms sparse reconstruction methods with a fixed wavelet basis by a large margin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google