[論文レビュー] Compressed Sensing with Prior Information via Maximizing Correlation

Xu Zhang, Wei Cui+1 more|arXiv (Cornell University)|May 22, 2017

Sparse and Compressive Sensing Techniques参考文献 14被引用数 3

ひとこと要約

本稿では、信号と事前情報の相関を最大化することで信号再構成を向上させる、新しい圧縮センシング手法を提案する。Lassoの修正形式に相関促進項を導入した。部分ガウス測定下での理論的分析により、優れた事前情報が再構成性能を顕著に向上させることを示し、さまざまなタイプの事前情報に対してシミュレーションで検証した。

ABSTRACT

Compressed sensing (CS) with prior information concerns the problem of reconstructing a sparse signal with the aid of a similar signal which is known beforehand. We consider a new approach to integrate the prior information into CS via maximizing the correlation between the prior knowledge and the desired signal. We then present a geometric analysis for the proposed method under sub-Gaussian measurements. Our results reveal that if the prior information is good enough, then the proposed approach can improve the performance of the standard CS. Simulations are provided to verify our results.

研究の動機と目的

• 標準的なスパarsity制約を超えて、事前情報を統合することで圧縮センシング再構成を改善すること。
• 信号と事前知識の間の相関を明示的に最大化する新しい最適化フレームワークの開発。
• 部分ガウス測定下での幾何的解析を用いた理論的性能保証の提供。
• 多様な事前情報条件下での既存手法との比較による手法の優位性の検証。

提案手法

• 新しい最適化問題の提案：信号のℓ₁ノルムを最小化すると同時に、その内積⟨x, φ⟩を最大化する。形式的に min ||x||₁ − λ⟨x, φ⟩ であり、制約条件は ||y − Ax||₂ ≤ δ である。
• 接線・法線錐に基づく幾何的解析、ガウス幅、部分ガウス確率的行列の性質を用いて性能バウンドを導出。
• 行列の分散不等式を適用し、部分ガウスセンシング行列における制限固有値条件を保証。
• 有効次元 v を通じて性能の閾値を導出し、成功した再構成に必要な測定回数を決定する。
• サポート上、補集合上、または任意の位置に生じる事前情報のシフトが、再構成閾値 v に与える影響を分析。
• フェーズ遷移曲線と平均二乗誤差の比較を用いて、複数の手法間での性能を評価。

実験結果

リサーチクエスチョン

• RQ1 信号と事前情報の相関を最大化することで、圧縮センシング再構成性能が向上するか？
• RQ2 事前情報の質が、成功した再構成に必要な測定回数にどのように影響するか？
• RQ3 さまざまなタイプの事前情報下で、提案手法の相関最大化アプローチが、標準Lassoやℓ₁-ℓ₁／ℓ₁-ℓ₂最小化と比較してどのように異なるか？
• RQ4 部分ガウス測定下での提案手法の理論的性能閾値（有効次元 v で表す）は何か？
• RQ5 どのような条件下で、本手法が既存の事前情報に基づく圧縮センシング技術を上回るか？

主な発見

• 事前情報が十分に正確で、真の信号と高い相関を持つ場合、本手法は標準Lassoよりも優れた再構成性能を達成する。
• フェーズ遷移曲線から、サポート上でのシフト（特に真の信号と同じ方向）は再構成を改善するが、サポートの補集合上でのシフトは測定回数を増加させる。
• 任意のシフトの場合、事前情報が信号構造と整合している場合、本手法は標準CSを上回る。シミュレーションでは v = n − 3s/4 + 9/16 の条件下で確認された。
• 事前情報がスパースな場合（例：ℓ₁-ℓ₁に有利な場合）、ℓ₁-ℓ₁最小化が本手法を上回る可能性があるが、事前情報が密度が高く、構造的に不一致がある場合には、本手法が優れる。
• 理論的解析により、事前情報が十分に良い場合、有効次元 v が低減され、必要な測定回数も減少することが確認された。
• シミュレーションにより、事前情報が信号とよく一致する場合、特に信号と事前情報の差が非スパースな場合に、相関最大化手法が最も優れた性能を示した。