1st mini-workshop on Nov 29, 2013

    when:

      November 29, 2013 at 2PM
            
            
      where:

        Laboratoire AstroParticule et Cosmologie
        (check for the directions here)

        room Valentin
        (#454A, on the fourth floor of the main building,
        Bat. Condorcet A).

    who:

      Gabriel Peyré
      CNRS et Ceremade, Université Paris-Dauphine.
      More info.
         Florent Krzakala
      Université Pierre et Marie Curie and Ecole Normale Superieur
      More info.

    what:

      14:00-15:00: Gabriel Peyré (CNRS et Ceremade, Université Paris-Dauphine). More info.

      Title: Compressed sensing
      Abstract: Le compressed sensing est une nouvelle façon d'envisager l'échantillonnage de données complexes telles que les signaux sonores ou les images. Plutôt que d'évaluer localement les signaux à l'aide de capteurs très précis, les signaux sont projetés sur un petit nombre de vecteurs aléatoires délocalisés. La théorie initiale a été développée conjointement par Donoho [1] et Candès, Romberg et Tao [2]. Elle exploite la parcimonie de certains signaux afin de minimiser le nombre de mesures aléatoires nécessaires. Les images naturelles sont par exemple bien approchées par un petit nombre d'ondelettes, et cette parcimonie est mise à profit lors de la reconstruction. Mon exposé offrira une introduction aux méthodes de compressed sensing. Je discuterai à la fois les garanties théoriques et les applications pouvant bénéficier de cette nouvelle méthode d'acquisition. J'insisterai en particulier sur l'analyse au pire cas des performances de la méthode [3] et je présenterai une étude avec grande probabilité permettant d'obtenir des constantes explicites [4].

      References
      [1] D. Donoho, Compressed sensing,
      IEEE Trans. Info. Theory, vol. 52, no. 4, pp. 1289-1306, 2006.
      [2] E. Candès, J. Romberg, and T. Tao, Robust uncertainty principles: Exact signal reconstruction from highly incomplete frequency information,
      IEEE Trans. Info. Theory, vol. 52, no. 2, pp. 489-509, 2006.
      [3] C. Dossal, G. Peyré and J. Fadili,
      A Numerical Exploration of Compressed Sampling Recovery, Linear Algebra and its Applications, Vol. 432(7), p.1663-1679, 2010.
      [4] C. Dossal, M.L. Chabanol, G. Peyré and J. Fadili,
      Sparse Support Identifiability from Noisy Randomized Measurement, Applied and Computational Harmonic Analysis, In Press, 2011.

    and

      15:30-16:30: Florent Krzakala (Université Pierre et Marie Curie and Ecole Normale Superieur). More info.

      Title: Probabilistic approaches to compressed sensing: Bounds, Algorithms,and Threshold Achieving Matrices.
      Abstract: Compressed sensing has triggered a major evolution in signal acquisition over the last decade. A major part of the theoretical and computational effort has been dedicated to convex optimization. In this talk, I will concentrate instead on probabilistic approaches with random matrices and review some of the progresses that have been obtained using probabilistic considerations, message-passing algorithms, and a specially designed the measurement matrix.

    Comments are closed.