[論文レビュー] New Low Rank Optimization Model and Convex Approach for Robust Spectral Compressed Sensing

Zai Yang, Xunmeng Wu|arXiv (Cornell University)|Jan 16, 2021

Sparse and Compressive Sensing Techniques参考文献 41被引用数 4

ひとこと要約

本論文は、周波数スペクトルの極が単位円上に位置することを明示的に制約することで、従来のハノック行列に基づく手法に内在する根本的限界を克服する、新たな低ランク二重ハノックモデルを提案する。この手法、いわゆる二重強化行列補完（DEMaC）により、部分的なサンプルから、境界付きおよびスパースノイズ下でも、理論的保証とともに、正確かつ頑健にスペクトル的にスパースな信号を回復可能となる。最先端の手法に比べ、分解能が向上する。

ABSTRACT

This paper investigates recovery of an undamped spectrally sparse signal and its spectral components from a set of regularly spaced samples within the framework of spectral compressed sensing and super-resolution. We show that the existing Hankel-based optimization methods suffer from the fundamental limitation that the prior of undampedness cannot be exploited. We propose a new low rank optimization model partially inspired by forward-backward processing for line spectral estimation and show its capability in restricting the spectral poles on the unit circle. We present convex relaxation approaches with the model and show their provable accuracy and robustness to bounded and sparse noise. All our results are generalized from the 1-D to arbitrary-dimensional spectral compressed sensing. Numerical simulations are provided that corroborate our analysis and show efficiency of our model and advantageous performance of our approach in improved accuracy and resolution as compared to the state-of-the-art Hankel and atomic norm methods.

研究の動機と目的

• 既存のハノック行列に基づく手法が、減衰のない信号における単位円上に位置する事前知識を十分に活用できないという根本的限界を解消すること。
• スペクトル極が単位円上に位置することを明示的に制約する新しい低ランク最適化モデルを開発し、物理的解釈可能性と性能を向上させること。
• 部分的かつノイズのあるサンプルからのスペクトル的にスパースな信号の頑健な回復を可能にする、凸リラクゼーションフレームワーク「二重強化行列補完（DEMaC）」を提案すること。
• DEMaCの理論的保証を確立し、完全および圧縮サンプリングの両状況下で、精度と境界付きおよびスパースノイズに対する頑健性を示すこと。
• 提案されたモデルと手法を1次元から任意次元のスペクトル圧縮センシングに一般化すること。

提案手法

• 減衰のないスペクトル的にスパースな信号の構造をよりよく捉えるために、2つのハノック行列を組み合わせることで、新たな低ランク二重ハノックモデルを導入する。
• 二重ハノック構造に基づく凸最適化問題を定式化し、核ノルム最小化により、効率的かつ安定した回復を可能にする。
• 非一様性およびサンプリング仮定の下で、正確な回復条件を検証するための双対証明を、ゴルフィングスキームを用いて構築する。
• 修正された非一様性条件と確率的解析を用い、サンプル数が $ M = O( u K ext{polylog}(N)) $ に比例する場合に、DEMaCが真の信号を高確率で回復できることを示す。ここで $ u $ は非一様性パラメータである。
• 凸リラクゼーションに頑健な最適化技術を組み込むことで、境界付きおよびスパースノイズの両方を扱えるようにフレームワークを適応させる。
• クーロンカー積構造とテンソルベースの定式化を用いて、1次元から多次元スペクトル圧縮センシングへのモデルおよびアルゴリズムの一般化を実現する。

実験結果

リサーチクエスチョン

• RQ1 低ランクハノック行列に基づくモデルを、スペクトル極が単位円上に位置することを明示的に制約するように変更可能か？これにより物理的整合性と性能が向上するか？
• RQ2 提案された二重ハノックモデルは、解空間を著しく縮小し、真のスペクトル成分の回復能力を向上させるか？
• RQ3 新しいモデルの凸リラクゼーションは、部分的サンプリングおよび境界付き／スパースノイズ下で、証明可能な回復精度と頑健性を達成できるか？
• RQ4 新しいモデルを用いた正確な回復に必要なサンプリングレートは何か？また、既存手法と比較して、サンプル複雑度の観点でどう異なるか？
• RQ5 提案手法は、理論的保証と性能向上を維持したまま、多次元スペクトル圧縮センシングに拡張可能か？

主な発見

• 提案された二重ハノックモデルにより、スペクトル極が自然に単位円上に制約される解空間が制限され、標準的なハノック行列に基づく手法の主要な限界が解消される。
• サンプル数が $ M = O( u K ext{polylog}(N)) $ を満たす場合、DEMaCは高確率で正確な回復を達成する。ここで $ u $ は信号構造に関連する非一様性パラメータである。
• 本手法は、境界付きおよびスパースノイズの両方に対して理論的に頑健であり、新しいモデルフレームワーク下で導出された理論的誤差バウンドが存在する。
• 数値シミュレーションにより、DEMaCは、特に低サンプルレート下で、最先端のハノックおよびアトミックノルム手法を上回る精度と分解能を示す。
• DEMaCの理論的サンプル複雑度は、既存手法とオーダーが同等であるが、構造の強化に起因する定数の改善により、性能が向上している。また、双対証明の構築により、回復条件が確認されている。
• 本手法は、理論的保証と性能優位性を維持したまま、多次元スペクトル圧縮センシングに自然に一般化可能である。