[論文レビュー] Stable optimizationless recovery from phaseless linear measurements

Laurent Demanet, Paul Hand|arXiv (Cornell University)|Aug 9, 2012

Electrical and Bioimpedance Tomography参考文献 3被引用数 10

ひとこと要約

この論文は、線形測定値の位相情報を得ずに、トレース最小化を用いずに、持ち上げられた行列空間における可解性問題を解くことで、ベクトルの安定回復が可能であることを示している。$ m = O(n\log n) $ のランダム測定値を用いることで、凸可解性を介して解が一意に回復可能となり、Douglas-Rachford分割法を用いることでパラメータを調整しない高速な収束が達成できる。

ABSTRACT

We address the problem of recovering an n-vector from m linear measurements lacking sign or phase information. We show that lifting and semidefinite relaxation suffice by themselves for stable recovery in the setting of m = O(n log n) random sensing vectors, with high probability. The recovery method is optimizationless in the sense that trace minimization in the PhaseLift procedure is unnecessary. That is, PhaseLift reduces to a feasibility problem. The optimizationless perspective allows for a Douglas-Rachford numerical algorithm that is unavailable for PhaseLift. This method exhibits linear convergence with a favorable convergence rate and without any parameter tuning.

研究の動機と目的

• X線回折結晶化、光学、顕微鏡法における重要な問題である、位相情報のみの線形測定値からの信号回復の課題に取り組む。
• ランク1行列の空間に問題を持ち上げることで、位相回復の非凸性を克服する。
• ランダム測定値が $ O(n\log n) $ の場合に、PhaseLiftにおけるトレース最小化が安定回復のために不要であることを示す。
• 正定値行列上の可解性問題にPhaseLiftを簡略化することで、効率的かつパラメータフリーの回復を実現する。
• 理論的および実験的証拠を提示し、測定値にノイズが加わっても高確率で解が一意かつロバストであることを示す。

提案手法

• 外積 $ \mathbf{X} = \mathbf{x}\mathbf{x}^* $ を用いて、位相なし測定値を $ n \times n $ 行列空間に持ち上げ、線形制約に変換する。
• 可解性問題として回復を定式化する：すべての $ i $ に対して $ \mathrm{Tr}(\mathbf{X} \mathbf{z}_i \mathbf{z}_i^*) = |\langle \mathbf{x}_0, \mathbf{z}_i \rangle|^2 $ を満たす正定値行列 $ \mathbf{X} \succeq 0 $ を見つける。
• Douーリング・ラッハフォード分割法を用いて可解性問題を解き、パラメータチューニングなしで線形収束を達成する。
• 高確率で、測定値を満たす唯一の正定値行列はランク1行列 $ \mathbf{x}_0 \mathbf{x}_0^* $ であることを示し、一意な回復を保証する。
• ランク1行列の周囲における正定値行列錐の幾何的スパarsityを活用し、ランダムな超平面が錐を唯一の点で交差することを保証する。
• トレース最小化を伴うPhaseLiftと比較し、同等の位相遷移閾値を示し、チューニングなしでより高速な収束を達成することを示す。

実験結果

リサーチクエスチョン

• RQ1 PhaseLiftフレームワークにおいて、トレース最小化を用いずに位相なし測定値からの安定回復が可能か？
• RQ2 可解性定式化において、一意的かつ安定的回復に必要な最小のランダム測定数は何か？
• RQ3 パラメータチューニングなしで、最適化フリーな設定においてDouglas-Rachfordアルゴリズムは解に線形収束するか？
• RQ4 可解性ベース手法は、測定要件および収束速度の面でPhaseLiftと比較してどう異なるか？
• RQ5 なぜ正定値行列錐の幾何的性質が、自由度よりも少ない測定数で一意な回復を可能にするのか？

主な発見

• ランダムセンシングベクトルが $ m = O(n\log n) $ 個ある場合、可解性問題の解は高確率で $ \mathbf{x}_0 \mathbf{x}_0^* $ に等しく、一意的である。
• Douglas-Rachfordアルゴリズムは、パラメータチューニングなしで解に線形収束し、実際には指数関数的収束を達成する。
• 可解性問題における回復誤差は $ m \geq 4n - 2 $ のときゼロであり、複素数の場合の解の決定性を示している。
• 数値実験により、可解性定式化において回復に必要な測定数は $ n $ に対して線形に増加することが示され、2次に増加するのではなくなる。
• Douglas-Rachford法の収束速度は良好であり、チューニングされたNesterov法よりも単純さとロバスト性に優れる。
• 可解性問題における回復の位相遷移は、PhaseLiftとほぼ同じ測定数で発生しており、トレース最小化が最適なサンプリング複雑度を達成するために必要ではないことを確認している。