[論文レビュー] Compressed Sensing with Very Sparse Gaussian Random Projections

Ping Li, Cun‐Hui Zhang|arXiv (Cornell University)|Aug 11, 2014

Sparse and Compressive Sensing Techniques参考文献 15被引用数 5

ひとこと要約

本稿では、測定行列のほとんどが非ゼロでない非常にスパースなガウス確率的プロジェクションを用いた、計算的に効率的な圧縮センシング手法を提案する。1回のスキャンによる復元処理と2つの推定器（タイ推定器と絶対最小推定器）を活用することで、L1復元と同等の精度を達成しつつ、はるかに少ない測定回数で実現可能であり、理論的保証と三値信号における実験的検証も行われている。

ABSTRACT

We study the use of very sparse random projections for compressed sensing (sparse signal recovery) when the signal entries can be either positive or negative. In our setting, the entries of a Gaussian design matrix are randomly sparsified so that only a very small fraction of the entries are nonzero. Our proposed decoding algorithm is simple and efficient in that the major cost is one linear scan of the coordinates. We have developed two estimators: (i) the {\em tie estimator}, and (ii) the {\em absolute minimum estimator}. Using only the tie estimator, we are able to recover a $K$-sparse signal of length $N$ using $1.551 eK \log K/δ$ measurements (where $δ\leq 0.05$ is the confidence). Using only the absolute minimum estimator, we can detect the support of the signal using $eK\log N/δ$ measurements. For a particular coordinate, the absolute minimum estimator requires fewer measurements (i.e., with a constant $e$ instead of $1.551e$). Thus, the two estimators can be combined to form an even more practical decoding framework. Prior studies have shown that existing one-scan (or roughly one-scan) recovery algorithms using sparse matrices would require substantially more (e.g., one order of magnitude) measurements than L1 decoding by linear programming, when the nonzero entries of signals can be either negative or positive. In this paper, following a known experimental setup, we show that, at the same number of measurements, the recovery accuracies of our proposed method are (at least) similar to the standard L1 decoding.

研究の動機と目的

• 非常にスパースな測定行列を用いた、高速で1回スキャンの圧縮センシング復元アルゴリズムの開発。
• 計算コストを著しく削減しつつ、L1復元と同等の復元精度を達成すること。
• スパースなランダムプロジェクションが最小限の測定回数で信号復元の忠実性を維持できることを理論的および実験的に検証すること。
• 頑健なスパース信号復元を実現するため、タイ推定器と絶対最小推定器を組み合わせた実用的フレームワークの提供。

提案手法

• 測定行列はi.i.d.なガウス的要素から構築され、その後、非ゼロ要素の割合がγに制限されるようスパース化され、γ = 1/Kとする。
• 復元処理は測定値を1回の線形スキャンで処理し、2つの推定器（タイ推定器と絶対最小推定器）を用いる。
• タイ推定器は、干渉項η_ij = 0のとき、y_j / (s_ij r_ij) の繰り返し比率を検出することで、非ゼロ信号要素を特定し、x_iの正確な復元を可能にする。
• 絶対最小推定器は、測定値のうち絶対値が最小のものを選択することで、信号のサポートを特定し、eK log N / δ 測定回数を要する。
• 理論的分析により、測定回数の境界が導出され、タイ推定器では1.551eK log K / δ、絶対最小推定器ではeK log N / δ となり、δ ≤ 0.05の信頼水準を満たす。
• 実際の応用では、2つの推定器を組み合わせることで、L1復元と同等の測定回数で精度を達成する、頑健で効率的な復元フレームワークを構築する。

実験結果

リサーチクエスチョン

• RQ1 非常にスパースなランダムプロジェクションを用いて、1回の線形スキャンでのみ、正確で効率的な圧縮センシングの復元が可能か？
• RQ2 タイ推定器を用いた信頼性の高い復元に必要な最小測定回数は何か？ 信号のスパarsity Kと信頼水準δにどのように依存するか？
• RQ3 測定効率と精度の観点から、本手法はL1復元および既存のスパース復元アルゴリズム（count-min sketch や SMP）と比較して、どのように性能を発揮するか？
• RQ4 タイ推定器と絶対最小推定器の組み合わせにより、L1復元と同等の復元精度を達成しつつ、計算コストを低く保てるか？

主な発見

• タイ推定器を用いることで、1.551eK log K / δ 測定回数（δ ≤ 0.05の信頼水準）でKスパース信号を正確に復元でき、L1復元と同等の精度を達成する。
• 絶対最小推定器は、eK log N / δ 測定回数で信号のサポートを検出でき、タイ推定器よりも座標1つあたりの測定回数が少ない。
• 実験的結果から、本手法は同じ測定回数でL1復元と同等の成功確率を達成しており、N = 20,000の三値信号で検証済みである。
• 本手法は、同程度の精度を達成するための測定回数が10〜15倍多いcount-min sketchを上回り、SMPの性能と同等またはそれを上回る。
• 理論的分析により、タイ推定器の測定境界がeK log K / δの定数倍の範囲内に収まり、定数1.551eはタイの出現確率に関する確率的境界から導出された。
• フレームワークは計算的に効率的であり、count-min sketchと同等の復元コストを有し、ストリーミング処理や大規模応用に適している。