[論文レビュー] Bayesian Optimal Approximate Message Passing to Recover Structured Sparse Signals

Martin Mayer, Norbert Goertz|arXiv (Cornell University)|Aug 5, 2015

Sparse and Compressive Sensing Techniques参考文献 37被引用数 7

ひとこと要約

本稿では、グループや共同でスパースな信号といった構造的スパarsityを活用することで、圧縮センシングの復元性能を向上させる、BOSSAMPと呼ばれる新しいベイジアン最適近似メッセージパッシングアルゴリズムを提案する。外生的グループ更新ステップを導入し、グループ内要素間で尤度比を繰り返し交換することで、事前分布をソフト情報に基づいて更新する。このアプローチにより、計算量が低く抑えられながらも、HGAMP や GLASSO といった最先端手法を上回る復元性能を達成し、位相遷移特性およびノイズ耐性に優れる。

ABSTRACT

We present a novel compressed sensing recovery algorithm - termed Bayesian Optimal Structured Signal Approximate Message Passing (BOSSAMP) - that jointly exploits the prior distribution and the structured sparsity of a signal that shall be recovered from noisy linear measurements. Structured sparsity is inherent to group sparse and jointly sparse signals. Our algorithm is based on approximate message passing that poses a low complexity recovery algorithm whose Bayesian optimal version allows to specify a prior distribution for each signal component. We utilize this feature in order to establish an iteration-wise extrinsic group update step, in which likelihood ratios of neighboring group elements provide soft information about a specific group element. Doing so, the recovery of structured signals is drastically improved. We derive the extrinsic group update step for a sparse binary and a sparse Gaussian signal prior, where the nonzero entries are either one or Gaussian distributed, respectively. We also explain how BOSSAMP is applicable to arbitrary sparse signals. Simulations demonstrate that our approach exhibits superior performance compared to the current state of the art, while it retains a simple iterative implementation with low computational complexity.

研究の動機と目的

• 圧縮センシングにおけるノイズの多い線形測定値から、グループスパースや共同スパースな信号といった構造的スパース信号を回復する課題に対処すること。
• ベイジアン最適近似メッセージパッシング（BAMP）フレームワークに信号構造に関する事前知識を統合することで、復元性能を向上させること。
• シンプルさを保ちつつ再構成精度を顕著に向上させる、低計算量の反復的アルゴリズムを開発すること。
• 二値またはガウス分布以外の任意のスパース事前分布を想定した、重複するグループを有する信号の効率的復元を可能とすること。

提案手法

• BOSSAMP は、ベイジアン最適近似メッセージパッシング（BAMP）を拡張し、隣接するグループ要素からの尤度比を集積することで、特定の要素のスパarsityに関する信念を強化する外生的グループ更新ステップを導入する。
• アルゴリズムはターボ原理に従い、グループ要素間でソフト情報（尤度比）を交換し、特定の成分がゼロまたは非ゼロである確率を、グループの他の部分からの外生的証拠に基づいて更新する。
• 各信号成分について、外生的グループ更新から得られる信念を用いて事前分布を動的に更新することで、次に続くMMSE推定ステップの精度が向上する。
• スパース二値およびスパースガウス（ベルヌーイ・ガウス）事前分布の下で、外生的更新の閉形式表現を導出しており、効率的な実装を可能としている。
• アルゴリズムは1反復あたりたった2回の行列-ベクトル乗算で実行され、行列逆行列計算を回避するため、計算量が非常に低い。
• 事前分布更新メカニズムを適応させることで、ガウス・ミックスチャネルモデルを含む任意のスパース信号に一般化可能である。

実験結果

リサーチクエスチョン

• RQ1 信号に構造的スパarsity（グループスパースなど）が存在する場合、標準的なBAMPを上回る圧縮センシングの復元性能向上に有効に活用できるか？
• RQ2 隣接するグループ要素からの外生的情報を取り入れることで、グループスパース設定における信号再構成精度がどのように向上するか？
• RQ3 位相遷移およびノイズ耐性という観点から、BOSSAMP はHGAMP、GLASSO、AMP といった既存の最先端手法に対して、どの程度の性能向上を達成するか？
• RQ4 複雑な構造的事前分布と反復的信念更新を組み込みながら、BOSSAMP がどのように低計算量を維持できるか？
• RQ5 BOSSAMP は、二値およびガウス事前分布を超えた任意のスパース信号モデルへどの程度一般化可能か？

主な発見

• BOSSAMP はHGAMP や GLASSO よりも早期の位相遷移を達成し、特に小さなグループサイズのスパースガウスケースにおいて、成功復元に必要な測定数を減少させる。
• スパース二値事前分布のケースでは、BOSSAMP は標準AMP や BAMP より顕著に優れており、グループサイズ |G_g| = 2 でも著しい改善が見られる。
• スパースガウスケースでは、グループサイズを増やすことで成功遷移が早期に発生し、NMSE性能も向上する。特に、極めてアンダーサンプリングされた状態では、BOSSAMP がHGAMP を上回る。
• BOSSAMP は非常に少ない反復回数で収束し、位相遷移付近に明確なピークを示す。これはHGAMP や BAMP と同様の挙動である。
• BOSSAMP は、より複雑な代替手法と比較して優れた性能を達成しながらも、1反復あたりたった2回の行列-ベクトル乗算で実現され、計算量が非常に低い。
• シミュレーションにより、信号構造が正しく把握・活用されている場合、BOSSAMP がノイズに対してより耐性があり、NMSE や FANMSE が最先端手法を下回ることが確認された。