" Чи є якесь точне, тобто числове, визначення обмеженості? " І під числовим я розумію і обчислювальне , і практично "корисне". Я вважаю, що: поки що, як мінімум, немає консенсусу, але є кілька гідних претендентів. Перший варіант " рахувати лише ненульові терміни " є точним, але неефективним (чутливий до числового наближення та шуму і дуже складний для оптимізації). Другий варіант " більшість елементів сигналу дорівнює нулю або близький до нуля " є досить неточним, або на "більшість", і на "близьке до".
Тож " точна міра рідкості " залишається невловимою, без більш формальних аспектів. Остання нещодавня спроба визначити обмеженість, здійснену в Харлі та Рікарді, 2009 р., Порівнюючи міри розрідження , транзакції IEEE з інформаційної теорії.
Їх ідея полягає у створенні набору аксіом, які повинен виконувати хороший показник розрідження ; наприклад, сигналх помножена на ненульову постійну, α x, повинні мати однакову розрідженість. Інакше кажучи, має бути мізерне обмеження0-однорідний. Дивно, щоℓ1 проксі в компресійному зондуванні або в регресії ласо є 1-однорідний. Це справді стосується кожної норми або квазі-нормиℓp, навіть якщо вони схильні до (не надійної) міри підрахунку ℓ0 як p → 0.
Отже вони детально описують свої шість аксіом, проводять обчислення, запозичені з аналізу багатства:
- Робін Гуд (брати у багатих, віддавати бідним зменшує розрідження),
- Масштабування (постійне множення зберігає рідкість),
- Rising Tide (додавання того ж ненульового рахунку зменшує розрідженість),
- Клонування (дублювання даних зберігає рідкість),
- Білл Гейтс (Один чоловік стає багатшим збільшує розрідження),
- Діти (додавання нульових значень збільшує розрідженість)
та дослідити відомі заходи проти них, виявивши, що індекс Джині та деякі норми чи квазінормальні коефіцієнти можуть бути хорошими кандидатами (для останніх деякі деталі наведені в Euclid у Taxicab: Sparse Blind Deconvolution with Smoothedℓ1/ℓ2Регуляризація , 2005, листи оброблення сигналів IEEE). Я відчуваю, що цю початкову роботу слід було б розвивати далі ( будьте налагоджені на SPOQ, Smoothedp над q ℓp/ℓqспіввідношення квазі-норм / норм ). Бо за сигналх, 0 < p ≤ q, нерівність норми коефіцієнта виходу:
1 ≤ℓp( х )ℓq( х )≤ℓ0( х)1 / р - 1 / q
і прагне до 1 (лівий бік, LHS) коли хє рідкісним, а праворуч (RHS), коли ні. Ця робота тепер є переддруком: SPOQ: плавна регуляризація p-Over-q для розрідженого відновлення сигналів, застосована до масової спектрометрії . Однак обґрунтований показник обмеженості не говорить вам про те, чи є перетворені дані достатньо рідкими, чи ні, для вашої мети.
Нарешті, ще одна концепція, що застосовується при зжиманні стиснення, - це концепція стиснення сигналів, де переупорядковані (спадні) коефіцієнти величин c( k ) слідувати закону про владу Сα. ( к)- α, і тим більше α, тим різкіше розпад.