[論文レビュー] Iterative Reweighted Algorithms for Sparse Signal Recovery with Temporally Correlated Source Vectors

Zhilin Zhang, Bhaskar D. Rao|arXiv (Cornell University)|Apr 28, 2011

Sparse and Compressive Sensing Techniques参考文献 7被引用数 4

ひとこと要約

本稿では、複数測定ベクトル（MMV）復元のための時間的相関を活用する反復的重み付けスパースベイジアン学習（SBL）アルゴリズムを提案する。重み付け ℓ₂ アルゴリズムにおいて、行ノルムの代わりにマハラノビス距離を用いることで、既存手法に比べ優れた性能を達成し、特に高い時間的相関下でも、復元精度とノイズ耐性の両面で顕著な向上が示された。

ABSTRACT

Iterative reweighted algorithms, as a class of algorithms for sparse signal recovery, have been found to have better performance than their non-reweighted counterparts. However, for solving the problem of multiple measurement vectors (MMVs), all the existing reweighted algorithms do not account for temporal correlation among source vectors and thus their performance degrades significantly in the presence of correlation. In this work we propose an iterative reweighted sparse Bayesian learning (SBL) algorithm exploiting the temporal correlation, and motivated by it, we propose a strategy to improve existing reweighted $\ell_2$ algorithms for the MMV problem, i.e. replacing their row norms with Mahalanobis distance measure. Simulations show that the proposed reweighted SBL algorithm has superior performance, and the proposed improvement strategy is effective for existing reweighted $\ell_2$ algorithms.

研究の動機と目的

• ソースベクトルに時間的相関が存在する場合に生じるスパース信号復元性能の低下を是正すること。これはMMV問題において一般的な問題である。
• ソースベクトルの時間的相関を明示的にモデル化する新しい反復的重み付けSBLアルゴリズムの開発。
• 既存の再重み付けℓ₂アルゴリズムを、マハラノビス距離による時間的相関の組み込みによって強化する一般的な戦略の導出。
• さまざまな相関レベルおよびシステム条件下でのシミュレーションを通じて、提案手法の有効性の検証。

提案手法

• ブロックスパースベイジアン学習（bSBL）フレームワーク内で、行方向の相関行列 Bi を用いて時間的相関を組み込んだ新しいコスト関数を導出。
• 時間的相関構造に基づいて行を重み付けるマハラノビス距離を用いる反復的重み付けℓ₂ SBLアルゴリズム（ReSBL-QM）を提案。
• 再重み付けスキームにおいて行ノルムをマハラノビス距離に置き換えた簡略化されたバージョン（ReSBL-L2）を導入。
• 既存の再重み付けℓ₂アルゴリズムを、前回の反復で推定された相関行列 Bi を用いて、行ノルムをマハラノビス距離に置き換えることで強化する一般的な戦略を構築。
• 各ソース行のマハラノビス距離に基づいて重みを導出する対角重み行列 W(k) を用い、反復的に更新。
• 数値的安定性を確保し、収束性と耐性を高めるために、再重み付けルールにε減少戦略を採用。

実験結果

リサーチクエスチョン

• RQ1 ソースベクトル間の時間的相関が、既存の再重み付けMMVアルゴリズムの性能にどのように影響を与えるか？
• RQ2 ソースベクトルの時間的相関を明示的に活用する再重み付けSBLアルゴリズムを設計可能か？
• RQ3 マハラノビス距離に基づく提案された再重み付け戦略は、既存の再重み付けℓ₂アルゴリズムに一般化可能か？
• RQ4 提案されたアルゴリズムは、時間的相関のレベルやシステムの不定性の程度が変化する条件下でも、最先端手法に比べて優れた性能を示すか？

主な発見

• 提案されたReSBL-QMアルゴリズムは、すべてのベースライン手法に比べて優れた復元性能を達成しており、特に高い時間的相関下で顕著である。
• 時間的相関が高い場合（βi ∈ [0.5,1)）、標準的な再重み付けℓ₂およびSBLアルゴリズムは顕著な性能低下を示すが、提案手法は高い精度を維持する。
• 時間的相関をマハラノビス距離で組み込んだ変更版のtMFOCUSSおよびtIter-L2は、元の手法（M-FOCUSSおよびIter-L2）を上回る性能を示す。
• 行ノルムをマハラノビス距離に置き換える戦略は、既存の再重み付けℓ₂アルゴリズムの性能向上に有効であり、広範な適用可能性を示している。
• ソース行ノルムが類似している状況では、ReSBL-QMアルゴリズムが特に効果的であり、そのような状況でも優れた耐性を示している。