[論文レビュー] Average Case Analysis of Multichannel Sparse Recovery Using Convex Relaxation

Yonina C. Eldar, Holger Rauhut|ArXiv.org|Apr 3, 2009

Sparse and Compressive Sensing Techniques参考文献 38被引用数 4

ひとこと要約

本稿は、混合 $\ell_{2,1}$ 範数を用いた凸緩和によるマルチチャネルスパースリカバリーの平均ケース解析を提供し、スパarsityおよび辞書のコherー二ンスにやや厳しい条件が課せられても、リカバリー失敗確率がチャネル数とともに指数的に減少することを示している。これは、少数の信号に対しても、連合リカバリーが単一チャネル手法よりも優れていることを示している。

ABSTRACT

In this paper, we consider recovery of jointly sparse multichannel signals from incomplete measurements. Several approaches have been developed to recover the unknown sparse vectors from the given observations, including thresholding, simultaneous orthogonal matching pursuit (SOMP), and convex relaxation based on a mixed matrix norm. Typically, worst-case analysis is carried out in order to analyze conditions under which the algorithms are able to recover any jointly sparse set of vectors. However, such an approach is not able to provide insights into why joint sparse recovery is superior to applying standard sparse reconstruction methods to each channel individually. Previous work considered an average case analysis of thresholding and SOMP by imposing a probability model on the measured signals. In this paper, our main focus is on analysis of convex relaxation techniques. In particular, we focus on the mixed l_2,1 approach to multichannel recovery. We show that under a very mild condition on the sparsity and on the dictionary characteristics, measured for example by the coherence, the probability of recovery failure decays exponentially in the number of channels. This demonstrates that most of the time, multichannel sparse recovery is indeed superior to single channel methods. Our probability bounds are valid and meaningful even for a small number of signals. Using the tools we develop to analyze the convex relaxation method, we also tighten the previous bounds for thresholding and SOMP.

研究の動機と目的

• 凸緩和手法によるマルチチャネルスパースリカバリーの平均ケース性能を分析し、最悪ケース保証にとどまらないこと。
• 理論的には最悪ケースで同等であるにもかかわらず、実際の応用で連合スパースリカバリーが単一チャネルリカバリーを上回る理由を説明すること。
• 混合 $\ell_{2,1}$ 範数を用いたマルチチャネルリカバリーの失敗確率に対するきめの細かい非漸近的バウンドを導出すること。
• しきい値処理および同時直交匹配 Pursuit (SOMP) の既存の平均ケース性能バウンドを拡張・強化すること。

提案手法

• すべての信号に対して最悪ケースを想定するのではなく、信号ベクトルに確率的モデルを適用して期待値におけるリカバリー性能を分析する。
• 濃度測度の不等式を用いて、SOMPにおける残差が誤ったインデックスを選択する確率をバウンドする。
• 混合 $\ell_{2,1}$ 範数の最小化をマルチチャネルスパースリカバリーの凸緩和として採用する。
• 測定行列のコヒーレンスおよび部分行列の固有値特性を用いて、失敗確率のバウンドを導出する。
• 残差選択ステップにおける信号対雑音比を定量化するために、ガウス分布の期待ノルム $C_2(L) = \mathbb{E}\|Z\|_2$ を用いる。
• SOMPのすべての反復でリカバリーが成功するように保証するため、すべての可能なサポート集合にわたる和集合バウンドを適用する。

実験結果

リサーチクエスチョン

• RQ1 混合 $\ell_{2,1}$ 緩和がマルチチャネルスパースリカバリーにおいて、平均ケースで高い確率で成功する条件は何か？
• RQ2 理論的には最悪ケースで同等であるにもかかわらず、実際の応用で連合スパースリカバリーが単一チャネルリカバリーを上回る理由は何か？
• RQ3 ランダム信号モデル下で、SOMPの失敗確率はチャネル数とともにどのように減少するか？
• RQ4 同じ確率的フレームワークを用いて、しきい値処理およびSOMPのよりタイトな平均ケースバウンドを導出できるか？
• RQ5 辞書のコヒーレンスがマルチチャネルリカバリーの成功確率に果たす役割は何か？

主な発見

• 混合 $\ell_{2,1}$ 緩和のリカバリー失敗確率は、やや厳しいスパarsityおよびコヒーレンス条件のもとでも、チャネル数とともに指数的に減少する。
• 固定されたチャネル数に対して、失敗確率は $ (|S^c| + 1) \exp(-\epsilon^2 A_L^2) $ でバウンドされ、ここで $ A_L $ はチャネルごとの測定回数に依存する。
• 解析により、最悪ケースの信号例が確率的モデル下ではまれであるため、連合リカバリーが単一チャネルリカバリーを上回ることが一般的であることが示された。
• SOMPおよびしきい値処理の導出バウンドは、先行研究に比べてタイトであり、より正確な性能予測が可能である。
• 条件 $ (1+\epsilon)\frac{\mu_2(S)}{1-\delta(S)} \geq (1-\epsilon)\left(1 - \frac{\mu_2(S)^2}{1-\delta(S)}\right) $ が、SOMPにおけるサポートの正確な回復を高い確率で保証する。
• 本結果は、少数のチャネルに対しても有効かつ意味を持つため、実世界の応用において実用的である。