[論文レビュー] Complex Exponential Signal Recovery with Deep Hankel Matrix Factorization

Yihui Huang, Jinkui Zhao+3 more|arXiv (Cornell University)|Jul 13, 2020

Statistical and numerical algorithms参考文献 1被引用数 1

ひとこと要約

本論文は、アンダーサンプリングされたデータから複素指数関数的信号を回復するため、モデルベースの低ランクハンケル行列因子分解の反復的手順をアンロールした深層学習手法を提案する。最先端のモデルベース手法からのインダクティブバイアスを深層ニューラルネットワークに統合することで、深層学習およびモデルベースのベースラインと比較して、再構成誤差が著しく低く、推論速度も速い。特に周波数パラメータの精度と速度面で顕著な優位性を示す。

ABSTRACT

Exponential is a basic signal form and how to fast acquire these signals is one of the fundamental problems and frontiers in signal processing. To achieve this goal, partial data may be acquired but result in the serious artifacts in its spectrum, which is the Fourier transform of exponentials. Thus, reliable spectrum reconstruction is highly expected in the fast sampling in many applications, such as chemistry, biology, and medical imaging. In this work, we propose a deep learning method whose neural network structure is designed by unrolling the iterative process in the model-based state-of-the-art exponentials reconstruction method with low rank Hankel matrix factorization. With the experiments on synthetic and realistic biological signals, we demonstrate that the new method yields much lower reconstruction errors and more accuracy in spectrum parameter quantification than another state-of-the-art deep learning method, while costs much less time than the model-based reconstruction methods.

研究の動機と目的

• 高度にアンダーサンプリングされたデータからの複素指数関数的信号の再構成という課題に取り組む。伝統的な手法では周波数アーティファクトが生じる。
• 化学、生物学、医療画像診断で一般的な高速サンプリング条件下でのスペクトル再構成精度の向上を目的とする。
• モデルベースの低ランクハンケル行列因子分解のインダクティブバイアスを深層学習と組み合わせ、より優れた一般化性能と効率性を実現する。
• モデルベース手法よりも高速な再構成時間を達成しつつ、精度を維持または向上させる。

提案手法

• 最先端のモデルベースの低ランクハンケル行列因子分解アルゴリズムの反復的最適化手順をアンロールすることで、ニューラルネットワークのアーキテクチャを設計する。
• ハンケル行列のランク最小化に関する数学的制約をネットワーク構造に埋め込み、信号構造を保持し、アーティファクトを低減する。
• 合成信号および実際の生物学的信号を用いて、アンダーサンプリングされた信号から全スペクトル信号へのマッピングを、エンドツーエンドで学習する。
• 指数関数的信号からなるハンケル行列の低ランク性を活用することで、再構成の忠実度を向上させる。
• モデルベース手法からのインダクティブバイアスと深層学習の表現能力をバランスさせ、一般化性能の向上を図る。

実験結果

リサーチクエスチョン

• RQ1 モデルベースの反復的アルゴリズムを深層ニューラルネットワークにアンロールすることで、複素指数関数的信号の再構成精度が向上するか？
• RQ2 提案手法は、モデルベースおよび深層学習ベースの再構成手法と比較して、速度と精度の面でどのように異なるか？
• RQ3 ハンケル行列の低ランク構造を組み込むことで、アンダーサンプリング環境下でのスペクトルパラメータの定量的評価がどの程度向上するか？
• RQ4 深層学習とモデルベース手法を統合したハイブリッドアプローチは、現実的な生物学的信号に十分に一般化できるか？

主な発見

• 提案手法は、合成信号および実際の生物学的信号の両方において、最先端の深層学習手法と比較して著しく低い再構成誤差を達成した。
• 特に密に近接した指数関数的成分の分解において、より高いスペクトルパラメータの定量的精度を示した。
• モデルベース再構成手法と比較して著しく高速であり、計算時間を短縮しながらも高い精度を維持した。
• モデルベース手法からのインダクティブバイアスを深層ネットワークアーキテクチャに統合することで、現実の生物学的データに対する一般化性能とロバストネスが向上した。