推荐文章 Compressed Learning: Universal Sparse Dimensionality Reduction and Learning in the Measurement Domain。Robert Calderbank写的。
压缩感知的特点是：对于高维稀疏数据，我们可以通过nonadptive的方式（多为随机采样）来对其进行降维DR，并通过求解优化问题来恢复原数据。机器学习的问题有：维数灾难。高维数据会带来很多问题，使得回归或者分类等问题需要的样本数大大增加。将机器学习和压缩感知结合起来，从而避免高维空间中学习遇到的克服维数灾难问题（这里貌似可以将线性的传感矩阵当做一个核方法吧）。
这里有些优势，压缩感知对于稀疏这件事情其实并不是很挑剔的（有些数据本来就是稀疏的；很多类型的数据，如自然图像，等在小波或者其他正交域下是自然稀疏的；有些数据在一些字典或者冗余框架下是稀疏的，某些情况下这样数据直接进行随机降维仍然是有效的）。
有些有问题，就是重构的问题，如果只是考虑分类，No problem。如果考虑的问题涉及到重构的事情。这个事情就要做想一想了。