[論文レビュー] Fast Marginalized Block Sparse Bayesian Learning Algorithm

Benyuan Liu, Zhilin Zhang+2 more|arXiv (Cornell University)|Nov 21, 2012

Sparse and Compressive Sensing Techniques参考文献 12被引用数 7

ひとこと要約

本稿では、信号内のブロックスパarsityとインラインブロック相関を活用する高速マージナライズド尤度最大化（FMLM）を用いた、高速なマージナライズドブロックスパースベイジアン学習（BSBL）アルゴリズムを提案する。既存のBSBL手法と同等の復元性能を達成しつつ、計算時間が著しく短縮されており、遠隔生理信号のモニタリングなど大規模かつリアルタイムな応用に最適である。

ABSTRACT

The performance of sparse signal recovery from noise corrupted, underdetermined measurements can be improved if both sparsity and correlation structure of signals are exploited. One typical correlation structure is the intra-block correlation in block sparse signals. To exploit this structure, a framework, called block sparse Bayesian learning (BSBL), has been proposed recently. Algorithms derived from this framework showed superior performance but they are not very fast, which limits their applications. This work derives an efficient algorithm from this framework, using a marginalized likelihood maximization method. Compared to existing BSBL algorithms, it has close recovery performance but is much faster. Therefore, it is more suitable for large scale datasets and applications requiring real-time implementation.

研究の動機と目的

• 既存のブロックスパースベイジアン学習（BSBL）アルゴリズムの計算非効率性を是正し、大規模またはリアルタイム応用への適用を可能にすること。
• ブロックスパarsityとインラインブロック相関の両方を効果的に活用できる、高速かつ高精度なアルゴリズムの開発。
• 計算負荷を低減させながら復元品質を損なわずに、圧縮センシングに基づく生理的信号（例：胎児心電図）の遠隔モニタリングを実現すること。
• 不定かつノイズの多い測定値から高速に信号を復元できる、実世界の応用に適したスケーラブルなソリューションの提供。

提案手法

• 潜在変数を統合することでパrameter推定を簡素化する、高速マージナライズド尤度最大化（FMLM）を適用し、BSBLフレームワークに基づく新規アルゴリズムを導出する。
• 各ブロックがスケーリング係数 $\gamma_i$ と相関行列 $\mathbf{B}_i$ でパラメータ化されたブロック対角構造の共分散行列を用い、インラインブロック相関をモデル化する。
• タイプIIの最尤推定を用い、コスト関数 $\mathcal{L} = \log|\mathbf{C}| + \mathbf{y}^T\mathbf{C}^{-1}\mathbf{y}$ に基づき、$\gamma_i$、$\mathbf{B}_i$、ノイズ精度 $\beta$ を反復的に更新する。ここで $\mathbf{C} = \beta^{-1}\mathbf{I} + \bm{\Phi}\bm{\Gamma}\bm{\Phi}^T$ である。
• 低ランク更新とブロック単位の最適化を用いて、行列逆行列計算とトレース計算を効率化し、収束を高速化する。
• まず信号をスパースドメイン（例：DCTドメイン）に変換し、その後 $\mathbf{y} = \bm{\Phi}\mathbf{D}\bm{\theta}$ を用いて係数を復元することで、圧縮センシング問題にアルゴリズムを適用する。

実験結果

リサーチクエスチョン

• RQ1 計算コストを著しく削減しつつ、高い復元性能を維持できる高速かつ高精度なBSBLアルゴリズムを開発可能か？
• RQ2 ブロックスパarsityのみを考慮する手法と比較して、インラインブロック相関を活用することで、信号復元性能はどのように向上するか？
• RQ3 提案手法（FMLMベース）は、合成データおよび実世界データにおいて、既存のBSBL手法に比べてどの程度速度と精度で優れているか？
• RQ4 提案手法により、圧縮センシングを用いた胎児心電図（FECG）の実用的リアルタイム遠隔モニタリングが可能になるか？

主な発見

• 提案手法BSBL-FMは、合成データにおいてNMSEがわずかに劣るものの、BSBL-BOおよびBSBL-ℓ₁とほぼ同等の復元性能を達成した。
• 信号長 $N$ が異なる合成データセットにおいて、提案手法はBSBL-BOおよびBSBL-ℓ₁に比べて著しく高速であり、$N$ の増加に伴うCPU時間の増加割合も小さいことが確認された。
• 胎児心電図（FECG）の遠隔モニタリング実験では、VBGSおよびGroup-BPよりも低いNMSEを達成し、ICA分解後のFECG信号は元の信号と区別がつかない品質を達成した。
• BSBL-BOに比べてわずかにNMSEが高かったが、提案手法は他のBSBL変種と比較して著しく高速であり、合計CPU時間が顕著に低かった。
• ICA分解後の段階で、クリアな胎児心電図信号が回復されており、実生活における生体医療応用におけるロバスト性と忠実性を示した。
• 相関行列 $\mathbf{B}_i$ を用いたインラインブロック相関のモデル化により、相関を無視する手法よりも復元精度が向上しており、BSBL-FM(1)およびBSBL-FM(2)の性能がBSBL-FM(0)を上回った。