自适应约束下的双边全变差正则化超分辨率重建

在经典的双边全变差(BTV)超分辨率重建中,加权系数和正则化参数的恒定性导致重建结果边缘保持能力受限。为此,提出了一种自适应约束的BTV正则化先验模型。算法首先定义了图像的局部邻域残差均值以区分当前像素属于平坦区域还是边缘区域;然后针对加权系数的不变性导致边缘削弱的问题,利用边缘方向和垂直边缘方向扩散性的不同,设计自适应权重矩阵;最后根据代价函数的极值问题推导出迭代公式,从而进行图像的超分辨率重建,重建过程中采用自适应的方法确定正则化参数,以便求得代价函数的全局最优解,提高了算法的鲁棒性。实验结果表明：与双三次线性插值法和经典BTV算法相比,该算法取得了更好的视觉效果和更高的峰值信噪比,更多地保留了图像的边缘细节信息。     

汽车产业的外部性与激励性规制

汽车产业外部性的存在,不仅关系到汽车产业的可持续发展,而且也对宏观经济产生了深刻的影响。汽车产业与经济、社会、环境协调发展的问题,已经远远超出了汽车投资和生产层面,客观上要求政府采取适当的政策措施来妥善解决汽车产业发展带来的外部环境问题。文章运用外部性理论和     

基于字典对齐的迁移稀疏编码图像分类

基于稀疏编码的图像分类算法，当源域和目标域间样本服从不同分布时，从源域样本中学习到的字典无法有效对目标域样本进行编码，进而严重影响算法的分类性能。为了解决此问题，提出一种基于字典对齐的迁移稀疏编码(TSC-DA)算法。一方面，通过将字典对齐机制引入稀疏编码模型训练过程中，以减少源域和目标域间样本分布差异；另一方面，采用L2正则化项代替字典约束项，将其转化为无约束优化问题，从而回避了拉格朗日对偶法复杂的求解方式。实验结果表明，TSC-DA能够有效提高目标域的图像分类精度。     

Discussion

I thoroughly enjoyed reading the article by Bhadra et. al. (2020) and convey my congratulations to the authors for providing a comprehensive and coherent review of horseshoe-based regularization approaches for machine learning models. I am thankful to the editors for providing this opportunity to write a discussion on this useful article, which I expect will turn out to be a good guide in the future for statisticians and practitioners alike. It is quite amazing to see the rapid progress and the magnitude of work advancing the horseshoe regularization approach since the seminal paper by Carvalho et al. (2010). The current review article is a testimony for this. While I have been primarily working with continuous spike and slab priors for high-dimensional Bayesian modeling, I have been following the literature on horseshoe regularization with a keen interest. For my comments on this article, I will focus on some comparisons between these two approaches particularly in terms of model building and methodology and some computational considerations. I would like to first provide some comments on performing valid inference based on the horsheshoe prior framework.     

Continuous‐time mean–variance portfolio selection: A reinforcement learning framework

We approach the continuous‐time mean–variance portfolio selection with reinforcement learning (RL). The problem is to achieve the best trade‐off between exploration and exploitation, and is formulated as an entropy‐regularized, relaxed stochastic control problem. We prove that the optimal feedback policy for this problem must be Gaussian, with time‐decaying variance. We then prove a policy improvement theorem, based on which we devise an implementable RL algorithm. We find that our algorithm and its variant outperform both traditional and deep neural network based algorithms in our simulation and empirical studies.     

正则化的时间序列AR模型及其在经济分析中的应用

通过添加一个正则化因子α,使时间序列AR(n)模型的最小二乘估计(X′X)-1X′Y变为(X′X+αI)-1X′Y,改善了时间序列分析模型中信息矩阵的病态程度,避免了时间序列分析模型产生不适定;经济统计数据分析表明,新的正则化时间序列分析模型在一定程度上起到了稳定所求参数的作用。     

一种应用于欠采样图像的自适应稀疏重建方法

针对图像稀疏重建中因使用固定参数的全变分(TV)正则项所带来的图像细节缺失和阶梯效应问题，提出了一种自适应二阶广义全变分(TGV)约束的图像稀疏重建算法。该算法采用二阶广义全变分模型权衡图像的一阶导数和二阶导数，且能够根据每次迭代得到的重构解及对应张量函数自适应地修正权重系数，实现图像的稀疏重建。与全变分正则模型和固定参数广义全变分正则模型相比，该算法能更好地保持图像轮廓和细节信息，提高重建图像的峰值信噪比(PSNR)和结构相似度(SSIM)。     

基于L曲线的自适应时空正则化视频超分辨率重建

为了解决视频超分辨率重建的病态问题,以得到良好的重建效果,提出了一种新颖的视频超分辨率重建算法。在算法中引入了时空联合正则化算子,通过视频帧本身的空间平滑信息和视频相邻帧的帧间相关先验信息的引入,提高了解的质量;同时,为了选择合适的时空正则化系数,提出了基于L曲线的自适应时空正则化系数计算方法,可以自适应地计算合适的正则化系数。通过对模拟图像序列和真实视频序列的实验结果表明,算法能得到较为精确的解,重建出具有良好视觉效果的高分辨率视频。