稀疏表示吸引了极大的关注,因为它可以极大地节省计算资源,找到数据在低维空间的特点。因此,它可以广泛应用于工程领域,如字典学习,信号重建、图像聚类,特征选择和提取。

作为现实世界的数据变得更加多样化和复杂,它就很难完全揭示数据的内在结构和常用的方法。这导致更多可行的表示模型的探索和有效的优化方法。新配方如深稀疏表示,基于稀疏表示,geometry-guided稀疏表示,和组稀疏表示取得了非凡的成功。这促使研究人员利用数学的最近开发的技术和工具来处理稀疏表示问题。

这个特殊的问题会接受原始研究和评论文章的理论和应用稀疏表示。我们尤其欢迎小说稀疏的配方和优化策略。

潜在的主题包括但不限于以下:

• 监督和非监督学习稀疏编码
• 可说明的人工智能基于稀疏表示
• 稀疏的张量表示
• 稀疏表示模型设计、分析和可解释性
• 优化算法的设计和分析
• 正则化参数的策略选择
• 等非传统的数据多通道信号的稀疏表示,等等。
• 深稀疏表示分类
• 稀疏贝叶斯学习
• 通过多任务稀疏表示对象的跟踪
• 工程和特征提取
• 矩阵分解和完成
• 应用于信号处理、模式识别、多媒体、生物信息学等。