[論文レビュー] Compressed Counting Meets Compressed Sensing

Ping Li, Cun‐Hui Zhang+1 more|arXiv (Cornell University)|Oct 3, 2013

Sparse and Compressive Sensing Techniques参考文献 21被引用数 3

ひとこと要約

本稿は、最大に歪んだα安定分布に基づく圧縮カウント（CC）を用いた非負のスパース信号のための新しい圧縮センシングフレームワークを提案する。この手法により、1回のスキャンで回復が可能となり、M = (Cα + o(1))ǫ⁻ᵅ(∑xᵢᵅ)log N/δの測定回数でǫ精度の回復が達成され、測定ノイズに対してもロバストである。

ABSTRACT

Compressed sensing (sparse signal recovery) has been a popular and important research topic in recent years. By observing that natural signals are often nonnegative, we propose a new framework for nonnegative signal recovery using Compressed Counting (CC). CC is a technique built on maximally-skewed p-stable random projections originally developed for data stream computations. Our recovery procedure is computationally very efficient in that it requires only one linear scan of the coordinates. Our analysis demonstrates that, when 00 and C=pi/2 when p=0.5. In particular, when p->0 the required number of measurements is essentially M=K\log N, where K is the number of nonzero coordinates of the signal.

研究の動機と目的

• 非負のスパース信号のための高速で1回のスキャンで実行可能な圧縮センシングアルゴリズムの開発。
• 最大に歪んだα安定分布を用いた圧縮カウント（CC）を活用し、効率的な信号回復を実現。
• 加法的なǫ精度を達成するための理論的サンプル複雑度の境界を確立。
• 実用的環境における測定ノイズに対する耐性を実証。
• 高速データストリームおよびリソース制限のある環境への応用を可能にする。

提案手法

• 測定行列の要素sᵢⱼに最大に歪んだα安定分布（S(α,1,1)）を用い、1回のスキャンによる回復を可能にする。
• α ≠ 1のときの特性関数：E[exp(√−1Zλ)] = exp(−|λ|ᵅ(1−sign(λ)√−1 tan(πα/2))) を適用。
• サンプリング手順：sin(αu)/[sin u cos(απ/2)]^(1/α) × [sin(u−αu)/w]^{(1−α)/α} ∼ S(α,1,1)、ここでw∼exp(1)、u∼unif(0,π)。
• 比統計量yⱼ/sᵢⱼ = xᵢ + ノイズ項を用い、S₁の重い尾部のおかげでノイズが抑制される。
• データストリームにおける段階的更新を可能にする測定プロセスを設計：yⱼ^(t) = yⱼ^(t−1) + Iₜsᵢₜ,ⱼ。
• スパース化された設計行列と測定値の符号化は、今後の課題として残す。

実験結果

リサーチクエスチョン

• RQ1 最大に歪んだα安定分布の投影は、理論的に保証された精度で非負のスパース信号を1回のスキャンで回復可能か？
• RQ2 非負信号回復におけるǫ加法的精度を達成するための最適なサンプル複雑度Mは何か？
• RQ3 標準的なL1ソルバーと比較して、測定ノイズ下での本手法の性能はいかがなものか？
• RQ4 本フレームワークは、正と負の成分が混在する信号へと拡張可能か？
• RQ5 数値的安定性とデバイス制約の観点から、αの実用的限界は何か？

主な発見

• 本手法は、M = (Cα + o(1))ǫ⁻ᵅ(∑xᵢᵅ)log N/δの測定回数でǫ加法的精度の回復を達成し、Cαはα→0のとき1、α = 0.5のときπ/2となる。
• α→0のとき、必要な測定回数はM ≈ K log N/δに減少し、Kは非ゼロ要素の数である。
• アルゴリズムは1回の線形スキャンで全座標を回復可能であり、データストリームに対して非常に効率的である。
• 実験では測定ノイズに対するロバストネスが示された：CCは正確に保たれるが、L1ソルバー（SPGL1、L1Magic）は著しく劣化する。
• 性能はαに過敏ではなく、Mをα→0に基づいて設定した場合、α < 0.38であっても良好な回復が達成される。
• 理論的分析により明確なサンプル複雑度の境界が確認され、安定分布の重い尾部の性質のおかげで本手法はロバストである。