[論文レビュー] A Multiscale Sub-linear Time Fourier Algorithm for Noisy Data

Andrew Christlieb, Debbie A. Lawlor+1 more|arXiv (Cornell University)|Apr 16, 2013

Sparse and Compressive Sensing Techniques参考文献 18被引用数 3

ひとこと要約

本稿では、ノイズで汚染されたスパース信号に対して、新たなマルチスケールの部分線形時間フーリエ変換アルゴリズムを提示する。これは、先行する決定的スパースフーリエ変換を拡張したものであり、幾何的に間隔をあけた時間サンプルと、$β$-エンコーダーに類似した段階的な周波数同定戦略を用いることで、頑健な誤り訂正を実現し、粗いサンプリングレートでも正確な周波数推定が可能となる。FFTと他のスパースFFTバリアントと比較して、多様なノイズおよびスパarsityレベルにおいて優れた性能を発揮し、平均実行時間は$ extup{O}(k\log(k)\log(N/k))$である。本アルゴリズムは、スパースフーリエ変換の文脈でこのような誤り訂正を初めて示したものであり、速度を犠牲にすることなく、ノイズ環境下での性能を著しく向上させた。

ABSTRACT

We extend the recent sparse Fourier transform algorithm of (Lawlor, Christlieb, and Wang, 2013) to the noisy setting, in which a signal of bandwidth N is given as a superposition of k << N frequencies and additive noise. We present two such extensions, the second of which exhibits a novel form of error-correction in its frequency estimation not unlike that of the beta-encoders in analog-to-digital conversion (Daubechies et al, 2006). The algorithm runs in time O(k log(k) log(N/k)) on average, provided the noise is not overwhelming. The error-correction property allows the algorithm to outperform FFTW, a highly optimized software package for computing the full discrete Fourier transform, over a wide range of sparsity and noise values, and is to the best of our knowledge novel in the sparse Fourier transform context.

研究の動機と目的

• 加法的ノイズによって汚染された信号のスパース周波数成分に対して、効率的かつ正確にフーリエ変換を計算する課題に対処すること。
• Christliebら[1]の決定的スパースフーリエ変換を、$k \ll N$の周波数成分が顕著でノイズが存在する状況に拡張すること。
• 新しい誤り訂正メカニズムを用いて、ノイズに対して頑健であると同時に、部分線形実行時間を維持する手法を開発すること。
• 現実的なノイズ環境下で、FFTとsFFT 1.0を含む既存のスパースフーリエ変換アルゴリズムを、精度と実行時間の両面で上回ること。

提案手法

• 時間サンプルを2セットの等間隔に配置し、わずかな時間オフセットを設けることで、 aliasing を検出・解消し、孤立した成分に対して直接周波数推定が可能となる。
• 幾何的に間隔をあけた時間シフトを用いるマルチスケールアプローチを導入し、周波数推定を段階的に精緻化する。これはアナログ・デジタル変換における$\beta$-エンコーダーの動作に類似している。
• 真の周波数成分と偽の成分を区別するための頑健な aliasing テストを採用し、高ノイズ環境下でも誤検出を最小限に抑える。
• 誤差を段階的なサンプリングにより是正するプログレッシブ同定戦略を用いて、計算複雑度を増加させることなく周波数推定値を繰り返し精緻化する。
• アルゴリズムは平均的に$ extup{O}(k\log(k)\log(N/k))$の時間で実行され、ノイズ環境下ではFFTと先行するスパースFFT手法よりも著しく高速である。
• 丸めに基づく変種も提示されており、正しい周波数回復には$p \geq \sigma^{2/3}$を満たす必要があるが、これは高いサンプリングレートをもたらし、特に中程度のノイズレベルでは性能が低下する。

実験結果

リサーチクエスチョン

• RQ1 決定的スパースフーリエ変換を、部分線形実行時間と高い精度を維持したまま、ノイズのある信号に対応できるように拡張できるか？
• RQ2 誤り訂正をスパースフーリエ変換アルゴリズムに組み込むことで、ノイズ環境下での頑健性を向上させることは可能か？
• RQ3 どのようなサンプリング戦略が、性能を犠牲にせずに粗いサンプリングレートでも正確な周波数推定を可能にするか？
• RQ4 提案されたマルチスケールアルゴリズムは、ノイズおよびスパarsityレベルの変動に応じて、FFTと他のsFFTバリアントと比較して実行時間と誤差指標においてどのように差をつけるか？

主な発見

• 提案されたマルチスケールアルゴリズムは、平均実行時間$ extup{O}(k\log(k)\log(N/k))$を達成し、テストされたすべてのスパarsityレベルおよびノイズ値において、FFTW3を上回っている。
• 誤り訂正メカニズムのおかげで、広いノイズレベル範囲においてEMD($\omega$)誤差がほぼゼロを維持しており、EMD($\omega$)値は常に$10^{-16}$未満で安定している。これは正確な周波数回復を示している。
• 高ノイズ・高スパarsity環境下でも、平均して1信号あたりたった1つの偽の周波数成分しか導入しないことから、偽陽性に対する強い耐性を示している。
• 丸めに基づく変種では、正しい回復には$p \geq \sigma^{2/3}$が必要だが、これは高いサンプリングレートをもたらし、特に中程度のノイズレベルでは性能が低下する。
• マルチスケールアルゴリズムは、sFFT 1.0とAAFFTの両方を精度と速度の面で著しく上回っており、特にsFFT 1.0が非ゼロのEMD($\omega$)誤差を示すノイズ環境下で顕著な優位性を示している。
• アルゴリズムの性能はノイズレベルにかかわらず安定しており、非常に高いノイズ（$\sigma = 0.512$）に達するまで実行時間に顕著な増加が見られない。これは強力な耐性を示している。