双稀疏Wigner模型几乎全覆盖：新算法实现信号精确恢复！
Distinguishability and Recovery for a Doubly Sparse Spiked Wigner Model
📖 AI 总结
该论文研究双稀疏尖峰Wigner模型中的信号可区分性与恢复问题，其中秩一信号与噪声各自具有独立的稀疏参数，信噪比在矩阵规模增大时保持常数阶。作者针对次高斯噪声及非零坐标有界远离零的尖峰，提出留一二次阈值化方法识别信号支撑集；对Rademacher尖峰，符号同步可实现精确恢复，谱精化可实现强恢复。二次阈值化中的搜索参数显式刻画了信号稀疏度、噪声稀疏度与计算成本之间的权衡。研究还将方法推广至次高斯尖峰先验，并针对连续非零噪声下的Rademacher尖峰设计了利用未模糊信号项的搜索算法，证明这些信号项的存在保证可区分性，其揭示图的连通性构成精确恢复的充分条件，且无需对连续噪声分布作矩假设。结合此前的PCA结果，该分析几乎覆盖了该模型参数空间中可区分与可恢复的全部情形。
🔑 关键词速览
| 尖峰Wigner模型 | 一种随机矩阵模型，在Wigner噪声矩阵上叠加一个低秩信号矩阵，用于研究信号检测与恢复。 |
| 双稀疏 | 指信号和噪声各自具有独立的稀疏性，即信号非零元素少且噪声非零元素也少。 |
| 二次阈值化 | 一种基于二次型统计量的阈值方法，用于识别信号支撑集或进行变量选择。 |
| 符号同步 | 一种恢复信号符号的算法，通过迭代对齐符号以实现精确恢复。 |
| 谱精化 | 利用矩阵的谱分解（特征向量）对初始估计进行精化，以达到强恢复。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅