Conjunto de procedimientos algorítmicos para estimar una señal dispersa o compresible x a partir de mediciones lineales subdeterminadas y/o ruidosas y=Φx+n imponiendo o promoviendo dispersidad — mediante optimización convexa con regularización ℓ1, algoritmos golosos (OMP, CoSaMP), umbralado iterativo o priors bayesianos dispersos. La recuperación dispersa se centra en el solucionador y los compromisos algorítmicos (precisión, complejidad, robustez) dado un modelo de medición y un diccionario/base dispersora.

Principio

La imposición de un prior de dispersidad sesga el problema inverso hacia soluciones con pocos componentes no nulos; bajo condiciones sobre Φ y el diccionario (p. ej. baja coherencia mutua, RIP), las relajaciones convexas y algoritmos golosos pueden recuperar el soporte disperso verdadero o aproximarlo con error acotado en presencia de ruido.

Demostración

Escenario ilustrativo → medidas y obtenidas de y=Φx con Φ conocido y x s‑disperso. Reconocimiento → cálculo del residuo inicial. Acción → aplicar OMP: seleccionar iterativamente el átomo del diccionario más correlacionado con el residuo, actualizar residuo y coeficientes hasta criterio de parada. Consecuencia → si la coherencia y SNR lo permiten, OMP recupera soporte y coeficientes en O(s·m·N) operaciones; si no, puede omitir componentes o seleccionar átomos falsos. (Ejemplo algorítmico construido.)

Aplicación incorrecta

Interpretar estimaciones que promueven dispersidad como prueba de dispersidad verdadera sin considerar desajuste de modelo o ruido: los regularizadores pueden producir soluciones dispersas aunque la señal subyacente no lo sea, llevando a descubrimientos falsos. Otro error es ignorar la coherencia del diccionario: las garantías de recuperación dependen críticamente de las propiedades de la medida/diccionario.

Consecuencia

Permite reconstrucción con menos medidas que métodos no constreñidos, con resultados prácticos determinados por la elección algorítmica: algunos métodos favorecen velocidad (golosos), otros estabilidad (solvers convexos), y todos enfrentan modos de fallo — identificación errónea del soporte, sesgo en amplitudes y sensibilidad al ruido y la coherencia.

Inversión

Si el diccionario es altamente coherente o la señal no es dispersa/compressible en la base asumida, los algoritmos de recuperación dispersa pueden fallar sistemáticamente — requiriendo priors alternativos, mejor diseño de medidas o modelos que acepten representaciones más densas. En regímenes de ruido extremo, la promoción de dispersidad puede amplificar el sesgo de estimación.

Límite

Claramente dentro → modelo de medida lineal y=Φx con Φ conocido, x exactamente s‑disperso en el diccionario elegido y Φ satisfaciendo coherencia/RIP. Caso límite → x compresible o diccionario parcialmente desconocido (aprendizaje de diccionario requerido). Claramente fuera → modelos de medición no lineales o señales densas sin representación parsimoniosa donde mínimos cuadrados u otras inferencias densas son apropiadas.

Tensión semántica

Parquedad (explicaciones dispersas) frente a fidelidad a los datos — priors más fuertes reducen varianza y mejoran interpretabilidad pero arriesgan sesgo y falsos negativos ante desajuste de modelo.

Síntesis

La recuperación dispersa operacionaliza la parquedad como regularizador inferencial: la elección algorítmica y el diseño conjunto de medidas/diccionario determinan si la dispersidad es un prior estructural válido o un artefacto engañoso de la regularización.