[論文レビュー] A Scale Invariant Approach for Sparse Signal Recovery

Yaghoub Rahimi, Chao Wang+2 more|arXiv (Cornell University)|Dec 20, 2018

Sparse and Compressive Sensing Techniques参考文献 47被引用数 8

ひとこと要約

本稿では、スパース信号回復のためのスケール不変な $L_1/L_2$ ラベル最小化モデルを提案し、新たな強力なゼロ空間性質（sNSP）を用いて、スパースベクトルが局所的最小解であることを証明する。本手法はADMMを用いて効率的な計算を実現し、正則化パラメータのチューニングを必要とせず、最先端の性能を達成する。

ABSTRACT

In this paper, we study the ratio of the $L_1 $ and $L_2 $ norms, denoted as $L_1/L_2$, to promote sparsity. Due to the non-convexity and non-linearity, there has been little attention to this scale-invariant model. Compared to popular models in the literature such as the $L_p$ model for $p\in(0,1)$ and the transformed $L_1$ (TL1), this ratio model is parameter free. Theoretically, we present a strong null space property (sNSP) and prove that any sparse vector is a local minimizer of the $L_1 /L_2 $ model provided with this sNSP condition. Computationally, we focus on a constrained formulation that can be solved via the alternating direction method of multipliers (ADMM). Experiments show that the proposed approach is comparable to the state-of-the-art methods in sparse recovery. In addition, a variant of the $L_1/L_2$ model to apply on the gradient is also discussed with a proof-of-concept example of the MRI reconstruction.

研究の動機と目的

• 正則化パラメータのチューニングを必要としない、パラメータフリーでスケール不変なスパース信号回復手法の開発。
• 新しい強力なゼロ空間性質（sNSP）を用いて、$L_1/L_2$ ラベルモデルの理論的基盤を確立すること。
• sNSP 条件のもとで、任意の $s$-スパースベクトルが $L_1/L_2$ モデルの局所的最小解であることを示すこと。
• 実用的実装に適したADMMで解ける制約付き定式化を設計すること。
• 圧縮センシングおよびMRI再構成タスクにおける本手法の妥当性を検証し、競争力のある性能を示すこと。

提案手法

• スパース性を促進するため、非凸的かつスケール不変な $L_0$ ノルムの代替として $L_1/L_2$ ラベルを提案する。
• 任意の $s$-スパースベクトルが $L_1/L_2$ モデルの局所的最小解であることを保証する、新たな強力なゼロ空間性質（sNSP）を導入する。
• 行列 $A$ のゼロ空間の構造に基づいて、$L_1/L_2$ モデルがスパース信号を正確に回復する理論的条件を導出する。
• ADMMに基づく数値的解法に適した、$L_1/L_2$ モデルの制約付き最適化定式化を構築する。
• MRI再構成における全変動型正則化に類似した形で、信号の勾配に $L_1/L_2$ モデルの変種を適用する。
• 交替方向乗数法（ADMM）を用いて、制約付き $L_1/L_2$ 問題を解き、収束が保証されることを示す。

実験結果

リサーチクエスチョン

• RQ1 $L_1/L_2$ ラベルは、$L_0$ や $L_p$（$p<1$）最小化の代替として、スパース回復において実用的かつパラメータフリーに機能するか？
• RQ2 $L_1/L_2$ モデルは、スパース信号の正確な回復を保証する強力なゼロ空間性質（sNSP）を満たすか？
• RQ3 最先端の手法（$L_1$、$L_p$（$p<1$）、TL1 など）と比較して、$L_1/L_2$ モデルの実用的性能はどの程度か？
• RQ4 $L_1/L_2$ モデルは、全変動正則化のように勾配に基づくスパース性に拡張可能か？
• RQ5 $L_1/L_2$ モデルは行列のコherency に対してロバストであり、高コヒーレンスなセンシング状況でも有効か？

主な発見

• センシング行列 $A$ が提案された強力なゼロ空間性質（sNSP）を満たす限り、$L_1/L_2$ モデルは任意の $s$-スパースベクトルを局所的最小解として持つことが証明された。
• 理論的分析により、$L_1/L_2$ モデルがsNSP条件下で正確な回復を達成することが示され、これはスパース回復のための必要十分条件である。
• 実験的結果から、$L_p$（$p<1$）やTL1と同等の性能を示すことが確認され、スパース信号回復タスクにおいて優れた性能を発揮した。
• 本手法はパラメータフリーであるため、$L_p$ やTL1モデルと比較して、正則化パラメータのチューニングが不要であるという顕著な利点を持つ。
• 信号の勾配に $L_1/L_2$ モデルの変種を適用することで、MRI再構成において有効な結果が得られ、概念実証の例も提示された。
• 制約付き $L_1/L_2$ 定式化に対するADMMベースのアルゴリズムは、数値実験において信頼性高くかつ効率的に収束した。