[論文レビュー] ON DATA-SELECTIVE LEARNING

Hamed Yazdanpanah|arXiv (Cornell University)|Jan 1, 2018

Advanced Adaptive Filtering Techniques参考文献 115被引用数 1

ひとこと要約

本稿では、バッテリ駆動デバイスにおける計算複雑性とエネルギー消費を低減するため、データ選択的で適応的フィルタリングアルゴリズム、特に集合メンバーシップ（SM）フィルタを提案する。部分的更新と組み合わせ、クaternionとトライニオンへと拡張することで、スパースなシステムにおいて低複雑性かつ安定した性能を達成し、隠れたスパarsityを活用する新しいLMSベースのアルゴリズムにより、効率性が向上する。

ABSTRACT

Filtros adaptativos sao aplicados em diversos aparelhos eletronicos e de comunicacao, como smartphones, fone de ouvido avancados, DSP chips, antenas inteligentes e sistemas de teleconferencia. Eles tambem tem aplicacao em varias areas como identificacao de sistemas, equalizacao de canal, cancelamento de eco, cancelamento de interferencia, previsao de sinal e mercado de acoes. Desse modo, reduzir o consumo de energia de algoritmos adaptativos tem importância significativa, especialmente em tecnologias verdes e aparelhos que usam bateria. Nesta tese, filtros adaptativos com selecao de dados, em particular filtros adaptativos da familia set-membership (SM), sao apresentados para cumprir essa missao. No presente trabalho objetivamos apresentar novos algoritmos, baseados nos classicos, a fim de aperfeicoar seus desempenhos e, ao mesmo tempo, reduzir o numero de operacoes aritmeticas exigidas. Dessa forma, primeiro analisamos a robustez dos filtros adaptativos SM classicos. Segundo, estendemos o SM aos numeros trinions e quaternions. Terceiro, foram utilizadas tambem duas familias de algoritmos, SM filtering e partial-updating, de uma maneira elegante, visando reduzir energia ao maximo possivel e obter um desempenho competitivo em termos de estabilidade. Quarto, a tese propoe novos filtros adaptativos baseado em algoritmos least-mean-square (LMS) e minimos quadrados recursivos com complexidade computacional baixa para espacos esparsos. Finalmente, derivamos alguns algoritmos feature LMS para explorar a esparsidade escondida nos parâmetros.

研究の動機と目的

• ポータブルかつグリーン電子機器に用いられる適応フィルタリングアルゴリズムにおけるエネルギー消費を低減すること。
• 適応フィルタ実装における算術演算の回数を最小限に抑えることで、計算効率を向上させること。
• 処理負荷を著しく低減させながらも、安定性および性能を維持または向上させること。
• 集合メンバーシップフィルタリングを、クォータニオンやトライニオンを含む非実数のドメインへと拡張すること。
• スパースなシステムパラメータに特化した、新しい低複雑性のLMSおよび再帰的最小二乗法アルゴリズムを開発すること。

提案手法

• 情報の多いデータサンプルのみを選択することで、フィルタ係数の更新回数を削減する集合メンバーシップ（SM）フィルタリングを採用する。
• 部分的更新技術を統合し、各イテレーションでフィルタ係数の一部のみを更新することで、さらに計算負荷を低減する。
• 複素数ドメイン、特にクォータニオンとトライニオンへのSMフィルタリングの拡張により、多次元信号処理応用をサポートする。
• スパースなシステム同定に適した、低複雑性の新しい最小平均二乗（LMS）および再帰的最小二乗（RLS）アルゴリズムを設計する。
• フィルタパラメータの隠れたスパarsityを活用する特徴ベースのLMSアルゴリズムを導出することで、収束性の向上と演算数の削減を実現する。
• SMフィルタリングと部分的更新を統合したフレームワークを統合的に構築し、安定性を損なわずエネルギー効率を最大化する。

実験結果

リサーチクエスチョン

• RQ1 集合メンバーシップフィルタリングを部分的更新と効果的に組み合わせることで、適応フィルタにおける計算負荷をどの程度低減できるか？
• RQ2 SMフィルタリングをクォータニオンやトライニオンへと拡張することで、多次元信号処理タスクにおける性能はどの程度向上するか？
• RQ3 隠れたスパarsityを活用する新しいLMSベースのアルゴリズムは、低複雑性を達成しつつ、競争力ある収束性と安定性を維持できるか？
• RQ4 適応フィルタリングにおけるデータ選択的学習を適用した際の、エネルギー効率と性能のトレードオフはいかなるものか？
• RQ5 提案されたアルゴリズムは、スパース環境下で、古典的適応フィルタリング手法と比較して、安定性および計算コストの点でどの程度優れているか？

主な発見

• 提案されたSMベースのアルゴリズムは、情報のあるデータサンプルのみを選択的に更新することで、算術演算の回数を顕著に削減する。
• 部分的更新とSMフィルタリングの統合により、計算複雑性が著しく低減されつつも、フィルタの安定性が保持される。
• SMフィルタリングをクォータニオンやトライニオンへと拡張することで、多次元および複素数値信号処理応用における効率的処理が可能になる。
• スパースなシステムに特化した新しいLMSベースのアルゴリズムは、フィルタパラメータの隠れたスパarsityを活用することで、計算複雑性を低減する。
• 提案手法は、古典的適応フィルタと比較して、収束性および安定性の点で競争力のある性能を維持する。
• 全体的なフレームワークにより、バッテリ駆動およびグリーン電子機器に適したエネルギー効率の良い適応フィルタリングが実現される。