Macroscopic Analysis of Vector Approximate Message Passing in a Model-Mismatched Setting

In this study, macroscopic properties of the vector approximate message passing (VAMP) algorithm for inference of generalized linear models are investigated using a non-rigorous heuristic method of statistical mechanics when the true posterior cannot be used and the measurement matrix is a sample fr...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE transactions on information theory Ročník 68; číslo 8; s. 5579 - 5600
Hlavní autoři:	Takahashi, Takashi, Kabashima, Yoshiyuki
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	New York IEEE 01.08.2022 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	Algorithms Analytical models Approximation algorithms compressive sensing Empirical analysis Generalized linear models Heuristic algorithms Heuristic methods Inference Inference algorithms Invariants Mathematical models Matrices (mathematics) Message passing Message passing algorithms Optimization Performance assessment phase transitions random matrices Rotation Rotation measurement Statistical mechanics Statistical models Symmetry
ISSN:	0018-9448, 1557-9654
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!