[論文レビュー] Robust Sparse Signal Recovery for Compressed Sensing with Sampling and Dictionary Uncertainties.

Yipeng Liu, Maarten De Vos+1 more|arXiv (Cornell University)|Nov 20, 2013

Sparse and Compressive Sensing Techniques参考文献 22被引用数 4

ひとこと要約

本論文は、サンプリング行列と辞書の両方の不確実性を考慮した、圧縮センシングにおけるロバストなスパース信号復元フレームワークを提案する。一般化されたスパース信号モデルを定式化し、確率的ロバスト近似を用いることで、凸緩和法および貪欲法アルゴリズムを構築し、シミュレーテッドおよび実際のECGデータにおいて、既存手法を上回る性能を発揮する。

ABSTRACT

Compressed sensing (CS) shows that a signal having a sparse or compressible representation can be recovered from a small set of linear measurements. In classical CS theory, the sampling matrix and dictionary are assumed be known exactly in advance. However, uncertainties exist due to sampling distortion, finite grids of the parameter space of dictionary, etc. In this paper, we take a generalized sparse signal model, which simultaneously considers the sampling and dictionary uncertainties. Based on the new signal model, a new optimization model for robust sparse signal recovery is proposed. This optimization model can be deduced with stochastic robust approximation analysis. Both convex relaxation and greedy algorithms are used to solve the optimization problem. For the convex relaxation method, a sufficient condition for recovery by convex relaxation method is given; For the greedy algorithm, it is realized by the introduction of a pre-processing of the sensing matrix and the measurements. In numerical experiments, both simulated data and real-life ECG data based results show that the proposed method has a better performance than the current methods.

研究の動機と目的

• サンプリング行列と辞書が完全に既知であると仮定する古典的圧縮センシングの制限を解消すること。
• 辞書設計におけるサンプリング歪みと有限なパrameterグリッドに起因する不確実性をモデル化すること。
• 両方のタイプの不確実性を同時に処理できる統一された最適化フレームワークを開発すること。
• センシングと表現における現実的な不具合下でも、安定的かつ正確なスパース信号復元を保証すること。
• 合成データおよび実際のECGデータを用いて、既存手法を上回る優れた性能を実証すること。

提案手法

• サンプリングと辞書の両方の不確実性を組み込んだ一般化されたスパース信号モデルを導入する。
• 不確実パラメータを扱うために、確率的ロバスト近似を用いたロバスト最適化問題を定式化する。
• 正確な復元を保証する十分条件を導出する凸緩和法を開発する。
• センシング行列と測定値の事前処理を組み込んだ貪欲法アルゴリズムを設計し、ロバスト性を向上させる。
• 確率的解析を用いて、サンプリングおよび辞書の成分における摂動に対して最適化モデルが耐性を持つことを保証する。
• 実用的導入を考慮し、数値的安定性と収束性を確保した両アルゴリズムの実装を行う。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、サンプリング行列と辞書の両方の不確実性に対して、圧縮センシングをロバストにできるか？
• RQ2 サンプリングと辞書の両方の不確実性が重畝る状況下でも、安定した復元を保証する最適化フレームワークは何か？
• RQ3 凸緩和法および貪欲法アルゴリズムは、このような不確実性下でも性能を維持できるように適合可能か？
• RQ4 不確実なサンプリングおよび辞書パラメータが存在する状況下で、正確な復元を保証する十分条件は何か？
• RQ5 実世界のデータにおいて、提案手法は既存手法と比較して復元精度で優れているか？

主な発見

• 提案されたロバスト最適化モデルは、サンプリング行列と辞書の両方の不確実性を効果的に処理できる。
• 導出された十分条件の下で、凸緩和法は正確な復元を達成し、理論的安定性を保証する。
• 事前処理を施した貪欲法アルゴリズムは、より優れたロバスト性と性能を示す。
• シミュレーテッドデータにおける数値実験では、ベースライン手法に比べて一貫した復元精度の向上が確認された。
• 実際のECGデータの結果から、不確実性下でも実用的信号復元において本手法の優位性が裏付けられた。
• 本フレームワークは、現実的な圧縮センシングシナリオにおけるロバストなスパース信号復元の統一的アプローチを提供する。