[論文レビュー] Exact Recovery of Tensor Robust Principal Component Analysis under Linear Transforms

Canyi Lu, Pan Zhou|arXiv (Cornell University)|Jul 16, 2019

Tensor decomposition and applications参考文献 30被引用数 6

ひとこと要約

本稿では、任意の可逆線形変換を用いて行列RPCAをテンソルに一般化する新しいテンソルロバスト主成分分析（TRPCA）フレームワークを提案する。変換に依存するテンソルチューブランクと核ノルムを定義することで、非一様性条件の下で凸最適化により正確な低ランクおよびスparser成分の回復が可能となり、特にDCTを変換に用いた場合、従来手法に比べ優れた画像回復性能を示す。

ABSTRACT

This work studies the Tensor Robust Principal Component Analysis (TRPCA) problem, which aims to exactly recover the low-rank and sparse components from their sum. Our model is motivated by the recently proposed linear transforms based tensor-tensor product and tensor SVD. We define a new transforms depended tensor rank and the corresponding tensor nuclear norm. Then we solve the TRPCA problem by convex optimization whose objective is a weighted combination of the new tensor nuclear norm and the $\ell_1$-norm. In theory, we show that under certain incoherence conditions, the convex program exactly recovers the underlying low-rank and sparse components. It is of great interest that our new TRPCA model generalizes existing works. In particular, if the studied tensor reduces to a matrix, our TRPCA model reduces to the known matrix RPCA. Our new TRPCA which is allowed to use general linear transforms can be regarded as an extension of our former TRPCA work which uses the discrete Fourier transform. But their proof of the recovery guarantee is different. Numerical experiments verify our results and the application on image recovery demonstrates the superiority of our method.

研究の動機と目的

• 離散フーリエ変換を超える線形変換を用いて、行列ロバストPCAをテンソルに一般化すること。
• 可逆線形変換の選択に依存する新しいテンソルチューブランクと核ノルムを定義すること。
• 凸TRPCAモデルが低ランクおよびスパーステンソル成分を正確に回復できる理論的条件を確立すること。
• 実験的に、変換の選択が回復性能に顕著な影響を及ぼすことを示し、DCTがDFTやランダム直交行列を上回ることを示すこと。

提案手法

• 任意の可逆線形変換に基づく一般化されたテンソル-テンソル積を導入し、新たなテンソルチューブランクとテンソル核ノルムの定義を可能にする。
• 新しいテンソル核ノルムとスパース成分のℓ₁ノルムの重み付き和を最小化する凸最適化モデルを提案する。
• 一般化されたt-積に基づくt-SVDフレームワークを用いて、計算の効率化と理論的分析を実現する。
• 行列RPCAと類似した非一様性条件の下で正確な回復保証を導出し、先行研究をテンソルケースに拡張する。
• 性能と耐性を評価するために、DCTおよびランダム直交行列（ROM）を代替変換として採用する。
• カラー画像回復に本手法を適用し、RPCA、SNN、DFTを用いた先行TRPCAと比較する。

実験結果

リサーチクエスチョン

• RQ1 テンソルRPCAモデルは、離散フーリエ変換を超える他の可逆線形変換へ一般化可能か？
• RQ2 線形変換の選択がTRPCAモデルの正確な回復性能に顕著な影響を及ぼすか？
• RQ3 線形変換に依存するテンソル核ノルムは、理論的条件下で低ランクおよびスパーステンソル成分を正確に回復可能か？
• RQ4 提案されたTRPCAモデルは、RPCA、SNN、DFTを用いたTRPCAといった既存手法と比較して、画像ノイズ除去タスクで優れているか？
• RQ5 新しいTRPCAモデルは計算的に効率的で、実世界のテンソルデータにスケーラブルか？

主な発見

• DCTを変換に用いた提案されたTRPCAモデルは、RPCA、SNN、DFTを用いたTRPCAを上回る最高のPSNRを達成する。
• 理論的分析により、非一様性条件の下で凸最適化モデルが元の低ランクおよびスパース成分を正確に回復することが確認された。
• ランダム直交行列（ROM）を変換に用いた場合、回復性能が著しく劣ることから、変換選択の重要性が浮き彫りになった。
• 計算効率はRPCAや先行TRPCAと同等を維持しており、最先端手法と同等の実行時間である。
• 線形変換に基づく新しいテンソル核ノルムは、従来のSNNベースのアプローチよりもタイトな凸緩和を提供し、オーダー最適な回復を可能にする。
• 本モデルは行列RPCAおよび先行TRPCAを一般化し、テンソルが行列に還元される場合、既知の行列RPCAに帰着する。