[論文レビュー] Principal Component Pursuit with Reduced Linear Measurements

Arvind Ganesh, Kerui Min+2 more|arXiv (Cornell University)|Feb 29, 2012

Sparse and Compressive Sensing Techniques参考文献 16被引用数 6

ひとこと要約

本稿では、線形測定値が一部に制限される状況下で、ロバストな低ランクおよびスパース行列分解を実現する凸最適化フレームワークを提案する。主成分追求（PCP）を部分的または変換されたデータを扱えるように拡張し、適切な条件下で、測定値が減少しても真の低ランクおよびスパース成分を信頼性高く回復できることを理論的に証明している。測定モデルが確率的および決定論的である場合の両方で、理論的保証を提示している。

ABSTRACT

In this paper, we study the problem of decomposing a superposition of a low-rank matrix and a sparse matrix when a relatively few linear measurements are available. This problem arises in many data processing tasks such as aligning multiple images or rectifying regular texture, where the goal is to recover a low-rank matrix with a large fraction of corrupted entries in the presence of nonlinear domain transformation. We consider a natural convex heuristic to this problem which is a variant to the recently proposed Principal Component Pursuit. We prove that under suitable conditions, this convex program guarantees to recover the correct low-rank and sparse components despite reduced measurements. Our analysis covers both random and deterministic measurement models.

研究の動機と目的

• 非線形変換（例えば画像の補正やアライメント）が生じる状況を含め、線形測定値の数が限られている場合に、低ランクおよびスパース行列成分を回復する課題に対処すること。
• 画像処理分野で実用的に成功しているインクリメンタルなPCPに類する手法と、このような測定値が少ない設定における理論的回復保証の欠如の間隔を埋めること。
• 測定値がスパースまたは構造的である場合に、低ランクおよびスパース行列分解問題の凸緩和が依然として正しい成分を回復できる理論的条件を提供すること。
• 確率的および決定論的測定モデルの両方において、回復性能を分析し、測定値が完全な行列観測でない場合に既存のPCP理論を拡張すること。

提案手法

• 測定モデルから導かれる制約の数が減るよう、低ランク行列の核ノルムとスパース行列のℓ₁ノルムを最小化する凸最適化問題として問題を定式化する。
• 測定プロセスをℝ^{m×n}内に埋め込まれた線形部分空間Qとしてモデル化し、Q⊥（Qの直交補空間）が観測されない成分を表し、制約数をmnからq = mn − pに削減する。
• 測定の一貫性を保証するため、直交射影作用素ℙ_Qを用い、問題をmin_{L,S} ‖L‖_* + λ‖S‖₁ subject to ℙ_Q D = ℙ_Q(L + S) に再定式化する。
• 特に行列ベルンシュタイン不等式を用いて、測定構造に由来する確率的行列作用素のスペクトルノルムを評価する。
• 測定構造とノイズレベルに関する一定の条件下で、ℙ_Q⊥ℙ_Ωℙ_Q⊥の作用素ノルムが高確率で2ρ以下に抑えられることを示す。
• 測定部分空間Q⊥が適切な非一様性および次元条件を満たしていれば、凸最適化問題の解が真の低ランクおよびスパース成分を高確率で回復できることを確立する。

実験結果

リサーチクエスチョン

• RQ1 測定値が一部に制限される状況下で、低ランクおよびスパース行列分解の凸緩和が、真の成分を成功裏に回復できる条件は何か？
• RQ2 測定値が完全なエントリではなく、線形射影（例：画像補正やアライメント）である場合に、主成分追求（PCP）の理論的回復保証を拡張できるか？
• RQ3 確率的および決定論的測定モデルは、提案された凸プログラムの回復性能にどのように影響を与えるか？
• RQ4 正確な低ランクおよびスパース成分の回復を保証するために、測定作用素のスペクトルノルムに確率的境界をどのように設定できるか？

主な発見

• 測定部分空間Q⊥が適切な非一様性および次元条件を満たしていれば、提案された凸プログラムは高確率で真の低ランクおよびスパース成分を回復する。
• ν²p³ log m / n ≤ C₃ρ² を満たすある定数C₃ > 0が存在する場合、作用素ℙ_Q⊥ℙ_Ωℙ_Q⊥のスペクトルノルムが高確率で2ρ以下に抑えられる。
• ρが十分に小さく、ν²p³ log m / n ≤ C が成り立つ場合、‖ℙ_Q⊥ℙ_Ω‖ < 1/2 が高確率で成立し、測定モデルが回復に十分に情報を持っていることが保証される。
• 確率的および決定論的測定モデルの両方において理論的保証が確立されており、PCPの適用範囲が部分的または変換されたデータの設定に拡張されている。
• 測定部分空間Q⊥が標準基底と非一様で、ランクおよびスパース度がそれほど大きくない限り、測定数が著しく減少しても安定な回復が達成される。
• 分析により、凸緩和が測定減少に対してロバストであることが確認され、回復成功は測定部分空間の次元、汚染のスパarsity、測定構造の非一様性の相互作用に依存することが示された。