[論文レビュー] Exploiting Correlation in Sparse Signal Recovery Problems: Multiple Measurement Vectors, Block Sparsity, and Time-Varying Sparsity

Zhilin Zhang, Bhaskar D. Rao|arXiv (Cornell University)|May 4, 2011

Sparse and Compressive Sensing Techniques参考文献 16被引用数 17

ひとこと要約

本稿では、複数測定ベクトル（MMV）における相関構造、ブロックスパarsity、時変スパarsityモデルを適応的に学習・活用するスパースベイジアン学習アルゴリズムT-SBLを提案する。解行列の行方向の相関を共有共分散行列でモデル化し、反復的重み付けフレームワークを用いることで、特に高い相関下でも従来手法に比べて再構成精度が顕著に向上し、相関のあるMMV設定において最大90％の失敗率低減がシミュレーションで確認された。

ABSTRACT

A trend in compressed sensing (CS) is to exploit structure for improved reconstruction performance. In the basic CS model, exploiting the clustering structure among nonzero elements in the solution vector has drawn much attention, and many algorithms have been proposed. However, few algorithms explicitly consider correlation within a cluster. Meanwhile, in the multiple measurement vector (MMV) model correlation among multiple solution vectors is largely ignored. Although several recently developed algorithms consider the exploitation of the correlation, these algorithms need to know a priori the correlation structure, thus limiting their effectiveness in practical problems. Recently, we developed a sparse Bayesian learning (SBL) algorithm, namely T-SBL, and its variants, which adaptively learn the correlation structure and exploit such correlation information to significantly improve reconstruction performance. Here we establish their connections to other popular algorithms, such as the group Lasso, iterative reweighted $\ell_1$ and $\ell_2$ algorithms, and algorithms for time-varying sparsity. We also provide strategies to improve these existing algorithms.

研究の動機と目的

• 複数測定ベクトル（MMV）間の相関およびスパース信号ブロック内での相関を効果的に活用できない既存の圧縮センシングアルゴリズムの限界を解消すること。
• カルマンフィルタや固定構造手法とは異なり、相関に関する事前知識を必要としない、相関構造を適応的に学習する手法の開発。
• 既存の反復的重み付けℓ₁およびℓ₂アルゴリズムを、学習された共分散行列を用いたマハラノビス距離に置き換えることで、MMVおよびブロックスパarsityモデルに対する統一的かつ改善された手法を構築すること。
• 時変スパarsityモデルを連結されたMMV問題としてモデル化することで、スパースベイジアン学習の適用範囲を拡張すること。

提案手法

• T-SBLは、解行列Xの各行の同時分布を、共分散γiBをもつゼロ平均多変量正規分布としてモデル化する。ここでBは、各行にわたって学習される共有でデータに適応した共分散行列である。
• アルゴリズムはスパースベイジアン学習フレームワークを用い、周辺尤度最大化から導かれた閉形式の更新式により、解ベクトルx、ハイパーパrameterγi（行のスパarsityを示す）および共有共分散行列Bを反復的に更新する。
• MMVモデルをクロンネッカー積とベクトル化を用いてブロックスパース形式に変換し、標準的なSBL手法をブロック構造問題に適用可能にする。
• T-SBLは、学習された共分散Bを用いてマハラノビス距離に基づく重みを更新する反復的重み付けℓ₂およびℓ₁アルゴリズムと等価であることが示され、標準的な重み付けスキームを上回る性能向上が達成される。
• 時変スパarsityに対しては、信号を複数のMMVブロックに分割し、各ブロックを独立に処理する。各ブロックでBを推定することで時系列相関を捉える。
• アルゴリズムは、MMVおよび時変スパarsity設定において、T-SBLおよびその簡略化版T-MSBLを最先端手法と比較したシミュレーションにより検証された。

実験結果

リサーチクエスチョン

• RQ1 スパースベイジアン学習フレームワークは、相関に関する事前知識がなくとも、未知の相関構造を効果的に学習・活用できるか？
• RQ2 反復的重み付けℓ₁およびℓ₂アルゴリズムにおいてℓqノルムをマハラノビス距離に置き換えることで、ブロックスパースおよびMMV再構成における性能がどのように向上するか？
• RQ3 T-SBLは、既存のカルマンフィルタド・コンプレッセッドセンシング（KF-CS）および最小二乗法コンプレッセッドセンシング（LS-CS）手法と比較して、時変スパarsityモデルにおける再構成性能をどの程度向上できるか？
• RQ4 相関のあるMMV設定において、適応的共分散推定が失敗率に及ぼす影響は何か？

主な発見

• 高い相関（ρ=0.9）を有するMMVモデルでは、T-SBLおよびT-MSBLが失敗率をほぼゼロにまで低下させたが、他のアルゴリズムは90％以上の試行で失敗した。
• 相関がない状況（ρ=0）でも、T-SBLおよびT-MSBLは高い性能を維持し、相関レベルにかかわらず頑健であることが示された。
• 反復的重み付けℓ₁アルゴリズムにおいてℓ₂ノルムをマハラノビス距離に置き換えることで、真の相関構造が既知または推定されている場合に顕著な性能向上が得られた。
• 時変スパarsity実験では、T-SBLはKF-CSおよびLS-CSを上回り、特に高い時系列相関（ρ=0.99）の状況ではM-SBLに対しても優れた性能を示した。
• T-SBLでは、行間に共有共分散行列Bを用いることで、過学習を防ぎ、ノイズや低SNR条件下でも効果的な相関学習が可能となった。
• T-SBLはノイズに対して頑健であった。これは、ノイズ分散と相関構造を同時に推定できたためであり、既知のノイズパラメータを必要とする手法を上回った。