[論文レビュー] An Elementary Proof of Convex Phase Retrieval in the Natural Parameter Space via the Linear Program PhaseMax

Paul Hand, Vladislav Voroninski|arXiv (Cornell University)|Nov 12, 2016

Advanced X-ray Imaging Techniques参考文献 7被引用数 34

ひとこと要約

本稿では、最適な標本複雑度のもとで、$O(n)$ 個のガウス分布に従う位相なし測定値から実数値信号を復元するための単純で基本的な証明を提示する。標準的な確率的集中および被覆論的議論を用いることで、複雑な幾何学的または統計的学習理論の枠組みを避けて、基本的な確率的行列理論と $L^1$-等長性の境界を用いるだけで、グローバル符号を除き正確な復元を確立する。

ABSTRACT

The phase retrieval problem has garnered significant attention since the development of the PhaseLift algorithm, which is a convex program that operates in a lifted space of matrices. Because of the substantial computational cost due to lifting, many approaches to phase retrieval have been developed, including non-convex optimization algorithms which operate in the natural parameter space, such as Wirtinger Flow. Very recently, a convex formulation called PhaseMax has been discovered, and it has been proven to achieve phase retrieval via linear programming in the natural parameter space under optimal sample complexity. The current proofs of PhaseMax rely on statistical learning theory or geometric probability theory. Here, we present a short and elementary proof that PhaseMax exactly recovers real-valued vectors from random measurements under optimal sample complexity. Our proof only relies on standard probabilistic concentration and covering arguments, yielding a simpler and more direct proof than those that require statistical learning theory, geometric probability or the highly technical arguments for Wirtinger Flow-like approaches.

研究の動機と目的

• 既存の統計的学習や幾何確率に依存する手法と比較して、PhaseMaxの位相復元における成功をより単純で直接的な証明で示すこと。
• 高度な統計的理論を用いずに、基本的な確率的ツールのみを用いて、$O(n)$ 個のランダムなガウス測定値から実数値信号の正確な復元を確立すること。
• 自然パrameter空間における凸線形計画法であるPhaseMaxが、持ち上げや複雑な非凸最適化を用いずに、最適な標本複雑度を達成できることを示すこと。
• 高い確率で、わずかなアンカー・ベクトル条件（$ {dist}(φ, x_0) < 0.6\|x_0\|_2$）が満たされる場合に、復元保証が成り立つことを示すこと。

提案手法

• ランダム行列の特異値に対する標準的な確率的集中不等式を用いて、測定演算子の振る舞いを制限する。
• 測定演算子 $\mathcal{A}$ における $\r{L}^1$-等長性の境界を用い、期待内積と信号ノルムを関連付ける。改善された定数を用いて証明された。
• 単位球面上の $\varepsilon$-ネットによる被覆論的議論を用いて、有限集合からの高確率境界を全球に拡張する。
• 指数的尾部の下で、$|\langle a_i, x_0\rangle\langle a_i, x_1\rangle|$ の期待値を制御するため、部分指数的確率変数の尾部境界を組み合わせる。
• ネット全体にわたる和集合の不等式を用いて、すべての単位ベクトルのペアに同時に集中が成立することを保証する。
• アンカー・ベクトル $\phi$ が $x_0$ から $0.6\|x_0\|_2$ 以内にあることにより、$\langle \phi, x_0 \rangle > 0$ が保証され、結果としてPhaseMaxにおいて $x_0$ が最大化者として優位になる。

実験結果

リサーチクエスチョン

• RQ1 PhaseMaxは、幾何確率や統計的学習理論を避けて、基本的な確率的ツールのみを用いて、自然パrameter空間で正確な位相復元を達成できるか？
• RQ2 PhaseMaxがガウス分布に従う位相なし測定値から実信号を復元するために必要な最小の標本複雑度は何か？
• RQ3 幾何確率や統計的学習理論を避けることで、PhaseMaxの成功の証明を簡略化できるか？
• RQ4 アンカー・ベクトルの品質は、$x_0$ の復元成功にどのように影響するか？

主な発見

• アンカー・ベクトル $\phi$ が $\|\phi - x_0\|_2 < 0.6\|x_0\|_2$ を満たす場合、$m = O(n)$ 個のガウス測定値から、高確率で $x_0$ をグローバル符号を除き正確に復元できる。
• 証明は、標準的な集中不等式と被覆論的議論にのみ依存しており、幾何確率や統計的学習理論の高度なツールを避けている。
• この手法は最適な標本複雑度を達成しており、情報理論的下界と対数要因を除いて一致する。
• 主な技術的要素は、以前の結果よりも tighter な定数を有する測定演算子 $\mathcal{A}$ の $\r{L}^1$-等長性の改善された境界である。
• 高確率で、切り捨てスペクトル初期化によって得られるアンカー・ベクトルは、$O(n)$ 個の測定値で必要な近接条件を満たす。
• $m \geq cn$ のとき、普遍的定数 $\gamma$ と $c$ に対して、PhaseMaxの全体の成功確率は $1 - 6e^{-\gamma m}$ 以上である。