[論文レビュー] Sublinear Time, Approximate Model-based Sparse Recovery For All

Anastasios Kyrillidis, Volkan Cevher|arXiv (Cornell University)|Mar 21, 2012

Sparse and Compressive Sensing Techniques参考文献 21被引用数 10

ひとこと要約

本稿では、密度的なランダム行列を用いたモデルベースのスパースリカバリーのための確率的でサブリニア時間のアルゴリズムを提示する。次元削減を活用することで、測定数最適化と低ランタイムを達成する。主な貢献は、理論的保証のもとで高次元における構造的スパース信号の高速かつ近似的なリカバリーを可能にする線形スケッチフレームワークである。

ABSTRACT

We describe a probabilistic, {\it sublinear} runtime, measurement-optimal system for model-based sparse recovery problems through dimensionality reducing, {\em dense} random matrices. Specifically, we obtain a linear sketch $u\in \R^M$ of a vector $\bestsignal\in \R^N$ in high-dimensions through a matrix $Φ\in \R^{M imes N}$ $(M

研究の動機と目的

• 高次元設定における従来のスパースリカバリー手法の計算非効率性を解消すること。
• サブリニア実行時間でありながら、モデルベースのスパース信号に対して測定数最適性を達成するシステムを設計すること。
• 密度的なランダムプロジェクションを用いて、構造的スパース信号の効率的かつ近似的なリカバリーを可能にすること。
• 確率的仮定の下で、リカバリーの正確性と実行時間複雑度に関する理論的保証を提供すること。

提案手法

• 本手法は、高次元信号 $\bestsignal \in \mathbb{R}^N$ の線形スケッチ $u \in \mathbb{R}^M$ を作成するために、密度的なランダム行列 $\Phi \in \mathbb{R}^{M \times N}$ を用いる。
• 木構造、ブロック、またはグループスパarsityなどのモデルベースのスパarsity制約を活用して、リカバリー問題の有効次元を低減する。
• 信号モデルの構造と密度的なランダムプロジェクションの性質を活用することで、サブリニア時間でリカバリーアルゴリズムを実行する。
• 高い確率で信号を近似的に復元できる確率的再構成手順を用いる。この確率はランダム行列 $\Phi$ の実現に依存する。
• スケッチサイズを最小化するため、信号モデルに適した測定数 $M$ が最適であることを保証する。
• 理論的解析により、復元信号の誤差がモデルベースのスパarsityとスケッチサイズ $M$ の関数として上限付けられる。

実験結果

リサーチクエスチョン

• RQ1 モデルベースのスパースリカバリーは、サブリニア時間で実行可能であり、かつ測定数最適性を維持できるか？
• RQ2 密度的なランダム行列の使用は、スパース信号リカバリーの正確性と効率性にどのように影響するか？
• RQ3 モデルベースリカバリーにおいて、実行時間、スケッチサイズ、再構築誤差の間のトレードオフは何か？
• RQ4 サブリニア計算の下で、近似的なリカバリーに対して確率的保証を確立できるか？

主な発見

• 提案されたアルゴリズムは、信号次元 $N$ に対してサブリニア実行時間を達成し、線形時間手法と比較して計算コストを顕著に削減する。
• 本手法は測定数最適性を満たし、与えられた信号モデルに対して最小の測定数 $M$ を必要とする。
• 理論的解析により、再構築誤差が有界であり、スパarsity構造とスケッチサイズ $M$ に依存することが示された。
• 高い確率でリカバリーが保証され、スケッチ行列 $\Phi$ のランダム実現にかかわらず、信頼性の高いパフォーマンスを発揮する。