[論文レビュー] Fourier-sparse interpolation without a frequency gap

Xuebo Chen, Daniel M. Kane+2 more|arXiv (Cornell University)|Sep 6, 2016

Sparse and Compressive Sensing Techniques参考文献 3被引用数 5

ひとこと要約

本稿では、最小周波数ギャップを要件としない、フーリエスパース信号の補間のための新規アルゴリズムを提示する。$\ell_2$-有界ノイズ下でもロバストな回復を達成する。多項式近似、ハッシュ関数、フィルタベースの周波数クラスタリングを用い、$k$-フーリエスパース信号を$\operatorname{poly}(k,\log(1/\delta))\cdot\log(FT)$サンプルと定数のノイズ増幅で推定する。周波数が任意に近接していても成立する。

ABSTRACT

We consider the problem of estimating a Fourier-sparse signal from noisy samples, where the sampling is done over some interval $[0, T]$ and the frequencies can be "off-grid". Previous methods for this problem required the gap between frequencies to be above 1/T, the threshold required to robustly identify individual frequencies. We show the frequency gap is not necessary to estimate the signal as a whole: for arbitrary $k$-Fourier-sparse signals under $\ell_2$ bounded noise, we show how to estimate the signal with a constant factor growth of the noise and sample complexity polynomial in $k$ and logarithmic in the bandwidth and signal-to-noise ratio. As a special case, we get an algorithm to interpolate degree $d$ polynomials from noisy measurements, using $O(d)$ samples and increasing the noise by a constant factor in $\ell_2$.

研究の動機と目的

• 既存のフーリエスパース補間手法が、ロバストな回復のための最小周波数ギャップ$1/T$を要するという制限を解消すること。
• $\ell_2$-有界ノイズ下でも周波数分離を要件としない$ k $-フーリエスパース信号の推定アルゴリズムの設計。
• $k$と帯域幅およびSNRの対数関数に多項式的なサンプル複雑性、定数のノイズ増幅を達成すること。
• 次数$d$の多項式の補間を、$O(d)$のサンプルと定数のノイズ増幅で行う方法への拡張。

提案手法

• 多項式近似フレームワークを用いて、$k$-フーリエスパース信号を次数$d$の多項式として表現し、ロバストな補間を可能にする。
• ハッシュ関数とフィルタ関数を用いて、近接する周波数をクラスタリングし、問題を1クラスタ信号回復タスクに変換する。
• 集中限界を用いたロバストな多項式補間アルゴリズムを適用し、ノイズ下で$O(k)$のサンプルから信号を推定する。
• $O(k)$の並列実行と中央値集約を用いたブースティング技術により、成功確率を$1 - 2^{-\Omega(k)}$に向上させる。
• グラム行列の行列式の境界と摂動解析を活用し、周波数のずれに対しても安定性を保証する。
• フィルタリングと部分空間近似を用いて、$k$-クラスタ信号回復問題を一連の1クラスタ信号回復タスクに変換する。

Figure 1: A picture of a $\operatorname{Comb}_{s}$ , $\operatorname{rect}_{s}$ , $\operatorname{sinc}_{s}$ , $\operatorname{Gaussian}_{\mu,\sigma}$ .

実験結果

リサーチクエスチョン

• RQ1 フーリエスパース信号の補間は、成分間の最小周波数ギャップを要件としないで達成可能か？
• RQ2 任意の周波数間隔下でも、$k$-フーリエスパース信号に対して$\ell_2$ノルムで定数のノイズ増幅を達成することは可能か？
• RQ3 $O(d)$のノイズのあるサンプルから、次数$d$の多項式を定数のノイズ増幅でロバストに補間可能か？
• RQ4 低サンプル複雑性を維持しつつ、成功確率を$1 - 2^{-\Omega(k)}$にブーストするにはどうすればよいか？
• RQ5 周波数が十分に分離されていなくても、信号推定誤差が信号の平均ノルムとノイズのノルムの関数として有界に保たれるか？

主な発見

• 成功確率$1 - 2^{-\Omega(k)}$で、周波数ギャップが存在しない場合でも$\left\|\widetilde{x} - x^*\right\|_T \lesssim \left\|g\right\|_T + \delta\left\|x^*\right\|_T$を達成する。
• サンプル複雑性は$\operatorname{poly}(k,\log(1/\delta)) \cdot \log(FT)$であり、$k$に対して多項式的で、帯域幅およびSNRに対して対数的である。
• ノイズ増幅は定数に抑えられており、$k$、$F$、$T$に依存しない。これにより、微小なノイズに対してもロバスト性が保証される。
• 次数$d$の多項式は$O(d)$のサンプルで、$\ell_2$ノルムにおいて定数のノイズ増幅で回復可能である。
• 成功確率は、$O(k)$の並列実行と中央値ベースの推定値集約により$1 - 2^{-\Omega(k)}$に向上した。
• 出力$\widetilde{x}(t)$は、$\operatorname{poly}(k,\log(1/\delta))$-フーリエスパース信号であるため、効率的な表現が保証される。

Figure 2: The filter function $(H(t),\widehat{H}(f))$ with a $k$ -Fourier-sparse signal. The property \@slowromancap i@, \@slowromancap ii@ and \@slowromancap iii@ are presented in the bottom one, the property \@slowromancap iv@ is presented in the top one.