[論文レビュー] Spectral Compressed Sensing via Structured Matrix Completion

Yuxin Chen, Yuejie Chi|arXiv (Cornell University)|Apr 16, 2013

Sparse and Compressive Sensing Techniques参考文献 19被引用数 30

ひとこと要約

本稿では、スペクトルに疎な信号を少数の時間ドメインサンプルから再構成するために、マルチフォールド・ハンケル構造とノルムの最小化を活用する非パrametric手法である拡張行列補完（EMaC）を提案する。この手法は、O(r log²n)サンプルで高確率に正確な再構成を達成し、情報理論的限界に近づき、離散フーリエ辞書におけるベースマッチングの問題を克服する。

ABSTRACT

The paper studies the problem of recovering a spectrally sparse object from a small number of time domain samples. Specifically, the object of interest with ambient dimension $n$ is assumed to be a mixture of $r$ complex multi-dimensional sinusoids, while the underlying frequencies can assume any value in the unit disk. Conventional compressed sensing paradigms suffer from the {\em basis mismatch} issue when imposing a discrete dictionary on the Fourier representation. To address this problem, we develop a novel nonparametric algorithm, called enhanced matrix completion (EMaC), based on structured matrix completion. The algorithm starts by arranging the data into a low-rank enhanced form with multi-fold Hankel structure, then attempts recovery via nuclear norm minimization. Under mild incoherence conditions, EMaC allows perfect recovery as soon as the number of samples exceeds the order of $\mathcal{O}(r\log^{2} n)$. We also show that, in many instances, accurate completion of a low-rank multi-fold Hankel matrix is possible when the number of observed entries is proportional to the information theoretical limits (except for a logarithmic gap). The robustness of EMaC against bounded noise and its applicability to super resolution are further demonstrated by numerical experiments.

研究の動機と目的

• 周波数が離散グリッドではなく単位円板に連続的に存在する場合の圧縮センシングにおけるベースマッチング問題に対処すること。
• 正弦波の数を事前に知らない非パrametricなアルゴリズムを構築し、スペクトルに疎な信号を再構成すること。
• ややいなごう性の条件のもとで、最小限の時間ドメインサンプルから正確な再構成を達成すること。
• 低ランクマルチフォールド・ハンケル行列補完に関する理論的保証を提供し、情報理論的限界に近づくこと。
• 実用的応用における有界ノイズおよび外れ値に対してのロバストネスを示すこと。

提案手法

• 時間ドメインサンプルからK重のハンケル構造を持つ拡張行列を構築し、低ランク構造を活用する。
• 低ランク解を促進するため、構造化された行列の補完を核ノルム最小化問題として定式化する。
• 正確な再構成を確率的サンプリングのもとで証明するため、ゴルフィングスキームを用いて双対証明を構築する。
• 低ランク部分空間と非一様性を保証するため、i.i.d. ベルヌーイサンプリングを用いたマルチステージサンプリングプロセスを採用する。
• 理論的分析は、μ₁、μ₂、μ₃およびスペクトルスパarsity r を含む非一様性条件に依存し、再構成誤差をバウンディングする。
• 離散化を回避し、構造化された行列補完を用いて連続周波数を直接処理する。

実験結果

リサーチクエスチョン

• RQ1 離散フーリエ辞書を避けることで、ベースマッチングを回避したスペクトル圧縮センシングが可能か？
• RQ2 連続周波数を持つスペクトルに疎な信号の正確な再構成に必要な最小時間ドメインサンプル数は何か？
• RQ3 核ノルム最小化による構造化された行列補完が、情報理論的限界に近い再構成を達成できるか？
• RQ4 提案手法は実用的応用において有界ノイズおよび外れ値に対してどれほどロバストか？
• RQ5 このアルゴリズムは、高精度周波数推定を伴うスーパーキャラクタリゼーション問題に拡張可能か？

主な発見

• EMaCは、O(r log²n)のランダムな時間ドメインサンプルを用いて、高確率でスペクトルに疎な信号の正確な再構成を実現する。
• 理論的保証により、サンプル数がr log²nのオーダーを超えると、ややいなごう性の条件のもとで再構成が可能であることが示された。
• 本手法は、サンプル複雑度において情報理論的限界に非常に近い性能を達成し、対数的ギャップしか残さない。
• 数値実験により、有界ノイズに対してロバストであり、スーパーキャラクタリゼーションタスクへの応用に成功した。
• ゴルフィングスキームによる双対証明の構築により、適切なサンプリング制度のもとで高確率で正確な再構成が保証された。
• 理論的バウンディングは、多次元設定における低ランクハンケル行列補完について、情報理論的限界に近づく最初のものである。