[論文レビュー] Sparse Phase Retrieval: Convex Algorithms and Limitations

Kishore Jaganathan, Samet Oymak+1 more|arXiv (Cornell University)|Mar 18, 2013

Advanced X-ray Imaging Techniques参考文献 18被引用数 20

ひとこと要約

本稿は、スパース位相再構成のための再重み付け $μat{1}$-最小化アルゴリズムを提案し、$μal{O}(k^2\log n)$ 個の位相なしフーリエ測定値から $k$-スパース信号を成功裏に回復することに成功した。これは、既存の凸法による方法が直面する $o(\sqrt{n})$ スパースリティのボトルネックを克服するものである。さらに、適切に設計された測定行列を用いることで、$μal{O}(k\log n)$ 個の測定値での回復が可能であり、近似的に最適なサンプル複雑度を達成している。

ABSTRACT

We consider the problem of recovering signals from their power spectral density. This is a classical problem referred to in literature as the phase retrieval problem, and is of paramount importance in many fields of applied sciences. In general, additional prior information about the signal is required to guarantee unique recovery as the mapping from signals to power spectral density is not one-to-one. In this paper, we assume that the underlying signals are sparse. Recently, semidefinite programming (SDP) based approaches were explored by various researchers. Simulations of these algorithms strongly suggest that signals upto $o(\sqrt{n})$ sparsity can be recovered by this technique. In this work, we develop a tractable algorithm based on reweighted $l_1$-minimization that recovers a sparse signal from its power spectral density for significantly higher sparsities, which is unprecedented. We discuss the square-root bottleneck of the existing convex algorithms and show that a $k$-sparse signal can be efficiently recovered using $O(k^2logn)$ phaseless Fourier measurements. We also show that a $k$-sparse signal can be recovered using only $O(k log n)$ phaseless measurements if we are allowed to design the measurement matrices.

研究の動機と目的

• スパースリティ $k \ll \sqrt{n}$ の信号に限定される既存の凸位相再構成アルゴリズムにおける $o(\sqrt{n})$ スパースリティのボトルネックを克服すること。
• 再重み付け $\ell_1$-最小化に基づく、実行可能で凸に似たアルゴリズムを構築し、$o(\sqrt{n})$ の閾値を超えて $k$-スパース信号の回復を可能にすること。
• 構造化された測定設計を用いることで、$k$-スパース信号を $μal{O}(k\log n)$ 個の位相なし測定値でのみ回復できることを示すこと。これは、最適に近いサンプル複雑度に近づく。
• 再重み付け $\ell_1$-最小化の性能を、既存のSDPベースおよび交互射影アルゴリズムと、理論的および実験的に比較すること。

提案手法

• 本稿は、位相再構成問題を非凸の可解性問題として定式化し、行列 $\mathbf{X} = \mathbf{x}\mathbf{x}^T$ を用いて高次元空間に持ち上げることで、凸緩和を可能にした。
• 反復的に $\ell_1$-ノルムペナルティを精緻化することで、信号再構成プロセスにおけるスパース性を促進する再重み付け $\ell_1$-最小化アルゴリズムを導入した。
• この手法は、$\mathcal{O}(k^2\log n)$ 個の位相なしフーリエ測定値を用いて $k$-スパース信号を回復でき、標準的なSDPベースのアプローチが直面する $o(\sqrt{n})$ スパースリティ制限を著しく上回る。
• 最適な測定効率を達成するため、スパースなサポートを持つランダムベクトルとi.i.d.位相成分を用いた組合せ的測定設計を提案した。これにより、$μal{O}(k\log n)$ 個の測定値での回復が可能になった。
• 回復アルゴリズムは $O(mn)$ 時間で動作し、$m$ を測定回数として、提案された測定モデルのもとで高い確率で成功することが示された。
• 確率的議論を用いて理論的保証を導出し、ある定数 $c>0$ に対して $m \geq ck\log n$ が満たされれば、$k$-スパース信号が高確率で回復可能であることを示した。

実験結果

リサーチクエスチョン

• RQ1 再重み付け $\ell_1$-最小化は、既存の凸位相再構成アルゴリズムに内在する $o(\sqrt{n})$ スパースリティのボトルネックを克服できるか？
• RQ2 凸緩和技術を用いて、$k$-スパース信号を安定して回復するための位相なしフーリエ測定値の最小数は何か？
• RQ3 構造化された測定設計により、必要な位相なし測定値の数を $μal{O}(k\log n)$ に削減でき、高確率での回復を保証できるか？
• RQ4 再重み付け $\ell_1$-最小化の性能は、SDPベースおよび交互射影アルゴリズムと比較して、スパースリティ回復閾値の観点でどのように異なるか？

主な発見

• 再重み付け $\ell_1$-最小化アルゴリズムは、$\mathcal{O}(k^2\log n)$ 個の位相なしフーリエ測定値から $k$-スパース信号を成功裏に回復でき、標準的な凸法による $o(\sqrt{n})$ スパースリティ制限を著しく上回っている。
• 適切に設計された測定システムを用いることで、$k$-スパース信号を $μal{O}(k\log n)$ 個の位相なし測定値でのみ回復でき、近似的に最適なサンプル複雑度を達成した。
• 数値シミュレーションにより、提案されたアルゴリズムは、既存のSDPベースの手法（CandesPR、HassibiPR）および交互射影（GS）アルゴリズムを上回ることが示された。特に、$o(\sqrt{n})$ スパースリティ閾値を超えて顕著な性能向上が得られた。
• 理論的分析により、提案された組合せ的測定設計が、ある定数 $c>0$ に対して $m \geq ck\log n$ を満たす測定数のもとで、$k$-スパース信号の高確率回復を可能にすることが確認された。
• アルゴリズムは、未知のスパースリティレベルに対してもロバストである。これは、$k_i = 2^i$ のような複数のスパースリティレベルを考慮することで、$k$ を任意の値に適応可能であり、合計で $μal{O}(k\log^2 n)$ 個の測定値で十分である。
• 本稿は、実行可能な凸アルゴリズムと実行不能な組合せ的探索との間の性能ギャップを確立し、構造化された設計により最適な測定効率が達成可能であることを示した。