[論文レビュー] Dense Error Correction via L1-Minimization

John Wright, Yi Ma|ArXiv.org|Sep 1, 2008

Sparse and Compressive Sensing Techniques参考文献 21被引用数 13

ひとこと要約

本稿では、非常に不完全でノイズの多い測定値から信号を復元するために、L1-最小化を用いた新しい密な誤り補正手法を提案する。測定行列を一様で一様な構造を持つガウス集合としてモデル化することで、多数のエントリが損傷している状況下でも、スパース誤りモデル下でほぼ最適な性能を達成する、頑健な復元が可能となる。

ABSTRACT

This paper studies the problem of recovering a non-negative sparse signal $\x \in \Re^n$ from highly corrupted linear measurements $\y = A\x + \e \in \Re^m$, where $\e$ is an unknown error vector whose nonzero entries may be unbounded. Motivated by an observation from face recognition in computer vision, this paper proves that for highly correlated (and possibly overcomplete) dictionaries $A$, any non-negative, sufficiently sparse signal $\x$ can be recovered by solving an $\ell^1$-minimization problem: $\min \|\x\|_1 + \|\e\|_1 \quad {subject to} \quad \y = A\x + \e.$ More precisely, if the fraction $ρ$ of errors is bounded away from one and the support of $\x$ grows sublinearly in the dimension $m$ of the observation, then as $m$ goes to infinity, the above $\ell^1$-minimization succeeds for all signals $\x$ and almost all sign-and-support patterns of $\e$. This result suggests that accurate recovery of sparse signals is possible and computationally feasible even with nearly 100% of the observations corrupted. The proof relies on a careful characterization of the faces of a convex polytope spanned together by the standard crosspolytope and a set of iid Gaussian vectors with nonzero mean and small variance, which we call the ``cross-and-bouquet'' model. Simulations and experimental results corroborate the findings, and suggest extensions to the result.

研究の動機と目的

• 測定値が非常に損傷している状況下で、信号復元における密な誤りを是正する課題に対処すること。
• L1-最小化を活用し、測定値の大部分が誤りであっても信号を復元できる手法を開発すること。
• L1-最小化が一貫性を持つ測定行列を伴う状況下で、密な誤りを効果的に是正できる理論的条件を分析すること。
• ガウス測定ベクトルを用いた高次元設定下での誤り補正の性能バウンドを確立すること。

提案手法

• 測定行列を、平均ベクトルμを中心とする独立同分布のガウスベクトルの集合としてモデル化し、一貫性を持つベクトルの「バケツ」を形成する。
• 信号が特定の基底においてスパースであると仮定し、不定な連立一次方程式をL1-最小化で解く。
• 誤差ベクトルをスパースとみなして、L1ノルムの最小化により誤差のスパarsityを促進し、補正を可能にする。
• 高次元におけるコーンポリトープの幾何学的性質と測定の集中性を用いた理論的分析を実施する。
• 測定行列が共通の平均によって一貫性を持つ構造を有するものと仮定し、復元性能を分析する。
• 信号と誤差のスパarsityに依存する閾値を超えて測定回数が増加する場合、本手法は成功することが示された。

実験結果

リサーチクエスチョン

• RQ1 測定行列に一貫性構造を示す場合に、L1-最小化が密な誤りを効果的に是正できるか。
• RQ2 一貫性を持つガウス測定モデル下での誤り補正の理論的限界は何か。
• RQ3 測定ベクトルに共通の平均が存在する場合、L1-最小化の復元性能にどのような影響を与えるか。
• RQ4 L1-最小化が密な誤りの存在下で、どのような条件下でほぼ最適な復元を達成できるか。
• RQ5 測定の一貫性、信号のスパarsity、および成功した復元に必要な測定回数との関係は何か。

主な発見

• 測定回数が信号と誤差のスパarsityに比例する閾値を超えると、信号の復元が成功する。
• 共通の平均ベクトルによって一貫性を持つ測定行列であっても、L1-最小化は密な誤りを是正可能である。
• 理論的分析により、測定回数が臨界点を超えて増加するに従い、成功確率が急激に上昇することが示された。
• コーンポリトープの幾何学的性質と高次元における測定の集中性が、安定な復元を保証する上で重要な役割を果たす。
• 本手法は、高い汚損度に対しても頑健であり、密な誤差条件下では標準的な圧縮センシング手法を上回る性能を示した。