稀疏表达 Sparse Representation

稀疏表达基于最小数量的系数,尽可能描述更多信号的能量,不同类型的信号在不同变换下的系数分布也会不同。

稀疏表达的意义

  • 稀疏表达的目的在于降维、可节省空间,同时稀疏表达后,特征向量各维之间的依赖性降低且更为独立。
  • 稀疏表达求解时增加的稀疏约束,使得计算后得到的 「基」  对解释数据有相同的重要性,目的是找出隐藏在数据背后的解释因子;
  • 理论处理线性方程组的稀疏解,可用于找到相关解决方案,并将其应用于图像处理、信号处理、机器学习、医学成像等领域。

稀疏表达的特点

  • 特征选择 Feature Selection:实现特征的自动选择
  • 可解释性 Interpretablity:让模型更容易解释