[論文レビュー] Robust Tensor Completion Using Transformed Tensor SVD

Guang‐Jing Song, Michael K. Ng+1 more|arXiv (Cornell University)|Jul 2, 2019

Sparse and Compressive Sensing Techniques参考文献 52被引用数 9

ひとこと要約

本稿では、変換されたテンソル特異値分解（t-TSVD）を用いたロバストなテンソル補完手法を提案する。標準的なフーリエ変換に代えて任意のユニタリ変換を用いることで、より低いチューブラルランクと改善された低ランク近似を達成する。この手法は、ハイパースペクトル、動画、顔認識データセットにおいて、フーリエベースの手法や他のロバストなテンソル補完手法と比較して、PSNRの観点で優れた回復性能を示す。

ABSTRACT

In this paper, we study robust tensor completion by using transformed tensor singular value decomposition (SVD), which employs unitary transform matrices instead of discrete Fourier transform matrix that is used in the traditional tensor SVD. The main motivation is that a lower tubal rank tensor can be obtained by using other unitary transform matrices than that by using discrete Fourier transform matrix. This would be more effective for robust tensor completion. Experimental results for hyperspectral, video and face datasets have shown that the recovery performance for the robust tensor completion problem by using transformed tensor SVD is better in PSNR than that by using Fourier transform and other robust tensor completion methods.

研究の動機と目的

• テンソル特異値分解における離散フーリエ変換を、より効果的なユニタリ変換行列に置き換えることで、ロバストなテンソル補完を改善すること。
• 従来のテンソルSVDと比較して、より効果的にチューブラルランクを低減し、多次元データの低ランク近似を向上させること。
• スパースな汚染と欠損値が存在するテンソルデータにおいて、より優れた回復性能を達成すること。
• 制限固有値および不整合性条件の下で、正確な低チューブラルランクテンソル回復を保証する理論的根拠を提供すること。

提案手法

• 離散フーリエ変換の代わりに一般のユニタリ変換行列を用いることで、新しいテンソルチューブラルランクを定義する変換されたテンソルSVD（t-TSVD）を採用する。
• ユニタリ変換行列Φを用いてフーリエベースのテンソルt積を一般化されたt積に置き換えることで、より優れた低ランク表現を可能にする。
• チューブラル核ノルム（チューブラルランクの凸包）とℓ₁ノルムを組み合わせた凸最適化問題を解く。
• プライマル・デュアルハイブリッド勾配法を用いてロバストなテンソル補完モデルを解き、特定の条件下での収束性を分析する。
• 解空間を分解し、誤差バウンドを分析するために、方向テンソルおよび射影演算子（P_TおよびP_T⊥）を適用する。
• 制限固有値および不整合性条件を用いて理論的回復保証を導出する。これにより、高い確率で正確な回復が保証される。

実験結果

リサーチクエスチョン

• RQ1 テンソルSVDにおける離散フーリエ変換を他のユニタリ変換に置き換えることで、より低いチューブラルランクと、より優れた低ランク近似が達成可能か？
• RQ2 変換されたテンソルSVDフレームワークは、標準的なフーリエベースのテンソルSVDと比較して、スパースな汚染と欠損値が存在する状況下でも回復精度を向上させるか？
• RQ3 提案されたt-TSVDに基づくロバストなテンソル補完モデルを用いた場合、低チューブラルランクテンソルの正確な回復を保証する理論的条件は何か？
• RQ4 ユニタリ変換行列の選択が、ハイパースペクトル画像や動画などの実世界データセットにおけるテンソル補完の性能にどのように影響を与えるか？

主な発見

• 提案された変換されたテンソルSVD手法は、ハイパースペクトル、動画、顔認識データセットにおいて、フーリエベースのテンソルSVDや他のロバストなテンソル補完手法と比較して、顕著に高いPSNRを達成する。
• 最適化されたユニタリ変換を用いることで、より低いチューブラルランクを達成し、低ランク近似が向上することで、回復精度が向上することが示された。
• 理論的分析により、制限固有値および不整合性条件の下で、低チューブラルランクテンソルが高確率で正確に回復されることを確認した。
• 解の誤差バウンドが反復回数とともに指数関数的に減少することが示され、∥Z_p∥_F ≤ (1/2)^p ∥Z_0∥_F が成り立ち、高速収束が保証された。
• スパースな汚染に対してロバスト性を維持し、適切なパrameter設定下で ∥P_{T⊥}(Y)∥ ≤ 1/4 および ∥P_Γ(Y)∥_∞ ≤ λ/2 が成立した。
• 理論的バウンドにより、回復誤差が O(λ√(ρμr n₁n₃ log(n₁n₃)/n₂)) のスケールで増加することを示し、ノイズ下でも安定性と収束性が保証された。