[論文レビュー] Adapting to unknown noise level in sparse deconvolution

Claire Boyer, Yohann de Castro+1 more|arXiv (Cornell University)|Jun 15, 2016

Sparse and Compressive Sensing Techniques参考文献 23被引用数 3

ひとこと要約

本稿では、超解像問題における未知のノイズレベルを併存的に推定する新しい凸最適化手法、共通推定ベアリングラッソ（CBLasso）を紹介する。ノルムの平方根ラッソに類似した共通推定フレームワークを組み込むことで、ノイズ分散の事前知識を必要とせず、サンプルサイズのみで正則化パrameterを調整することにより、一貫性のあるノイズレベル推定および最小最大最適な予測／局在誤差といった理論的保証を達成する。

ABSTRACT

In this paper, we study sparse spike deconvolution over the space of complex-valued measures when the input measure is a finite sum of Dirac masses. We introduce a modified version of the Beurling Lasso (BLasso), a semi-definite program that we refer to as the Concomitant Beurling Lasso (CBLasso). This new procedure estimates the target measure and the unknown noise level simultaneously. Contrary to previous estimators in the literature, theory holds for a tuning parameter that depends only on the sample size, so that it can be used for unknown noise level problems. Consistent noise level estimation is standardly proved. As for Radon measure estimation, theoretical guarantees match the previous state-of-the-art results in Super-Resolution regarding minimax prediction and localization. The proofs are based on a bound on the noise level given by a new tail estimate of the supremum of a stationary non-Gaussian process through the Rice method.

研究の動機と目的

• ノイズレベルが未知である超解像におけるスパースデコンボリューションを扱う。これは、画像処理や信号処理分野で一般的な課題である。
• スパース信号（ラドン測度）と未知のノイズ分散を同時に推定する凸最適化フレームワークを構築すること。
• ノイズレベルの事前知識を必要とせず、一貫性のあるノイズレベル推定および最小最大最適な回復性能といった理論的保証を提供すること。
• 既存手法の限界を克服するため、ベアリングラッソ（BLasso）を未知ノイズに対してロバストで適応可能な共通推定形式へ拡張すること。

提案手法

• CBLassoを、ノイズ推定値でスケーリングされたデータ適合項、測度の全 Variation に対するペナルティ項、およびノイズレベルに対する正則化項を含む、同時に凸な最適化問題として提案する。
• データ適合項をノイズ推定値 σ でスケーリングし、退化解を回避するとともに同次性を保つために σ/2 の正則化を追加する。
• ラグランジュ関数とパーソネージェット関数に基づく双対定式化を用いて双対問題を導出し、双対性および鞍点条件を用いた理論的解析を可能にする。
• リス法を用いて、高次元設定におけるノイズレベルのバインドに不可欠な、定常非ガウス過程の上界の新たな推定を導出する。
• 強い双対性を確立し、双対問題が制約集合 Dn 上での ⟨y, λc⟩ の最大化に帰着することを示し、回復保証を可能にする。
• CBLassoの設定において、あるチューニング条件の下で双対多項式が定数モジュラスを取ることは不可能であることを示し、これは正確な回復に不可欠である。

実験結果

リサーチクエスチョン

• RQ1 凸最適化手法は、超解像デコンボリューションにおいてスパース信号と未知のノイズレベルを同時に推定できるか？
• RQ2 提案されたCBLasso推定量は、その値についての事前知識なしにノイズレベルを一貫して推定できるか？
• RQ3 未知のノイズレベル下で、CBLassoに最小最大最適な予測誤差および局在誤差といった理論的保証を確立できるか？
• RQ4 共通推定形式は、スパースデコンボリューションにおけるロバストネスと適応性をどのように向上させるか？

主な発見

• CBLasso推定量は、未知のノイズレベル σ₀ を一貫して推定でき、ノイズレベルに一様に成立する理論的保証を有する。
• 理論的解析により、CBLassoの予測誤差および局在誤差が、ノイズレベルが未知であっても、超解像分野における最新の最小最大レートと一致することが示された。
• チューニングパrameter λ は、サンプルサイズ n のみに依存するため、σ₀ の知識がなくても実用的である。
• リス法を用いて、定常非ガウス過程の上界の新たな推定が得られ、これはノイズレベルのバインドおよび一貫性の証明に不可欠である。
• λ ∈ [λmin(y), λmax(y)] の条件下で、CBLassoの双対多項式が定数モジュラスを取ることは不可能であり、これは過学習を防ぎ、正確な回復を支援する。
• CBLassoの解は ˆσ = ∥y − Fn(ˆµ)∥₂ / √n を満たし、推定ノイズレベルが残差ノルムと一致することを保証する。これは共通推定の核心的性質である。