[論文レビュー] Sufficient Conditions for Low-rank Matrix Recovery, Translated from Sparse Signal Recovery

Lingchen Kong, Levent Tunçel+1 more|arXiv (Cornell University)|Jun 16, 2011

Sparse and Compressive Sensing Techniques参考文献 34被引用数 3

ひとこと要約

本稿は、スパース信号復元におけるs-goodnessの概念を低ランク行列回復（LMR）へ拡張し、線形変換に対して2つの主要な特徴量γₛとγ̂ₛを導入する。正確かつ安定な核ノルム最小化による回復の必要十分条件を確立し、γ̂ₛの計算可能な上界を用いて検証可能な十分条件を提示。δ₂ₛ < √2 − 1が正確な低ランク回復を保証することを証明している。

ABSTRACT

The low-rank matrix recovery (LMR) is a rank minimization problem subject to linear equality constraints, and it arises in many fields such as signal and image processing, statistics, computer vision, system identification and control. This class of optimization problems is $\N¶$-hard and a popular approach replaces the rank function with the nuclear norm of the matrix variable. In this paper, we extend the concept of $s$-goodness for a sensing matrix in sparse signal recovery (proposed by Juditsky and Nemirovski [Math Program, 2011]) to linear transformations in LMR. Then, we give characterizations of $s$-goodness in the context of LMR. Using the two characteristic $s$-goodness constants, $γ_s$ and $\hatγ_s$, of a linear transformation, not only do we derive necessary and sufficient conditions for a linear transformation to be $s$-good, but also provide sufficient conditions for exact and stable $s$-rank matrix recovery via the nuclear norm minimization under mild assumptions. Moreover, we give computable upper bounds for one of the $s$-goodness characteristics which leads to verifiable sufficient conditions for exact low-rank matrix recovery.

研究の動機と目的

• 線形制約下での低ランク行列回復（LMR）において、スパース信号回復からのs-goodness概念を一般化すること。
• 線形変換の2つの新しいG数特徴量γₛおよびγ̂ₛを用いて、LMRにおけるs-goodnessを特徴づけること。
• 核ノルム最小化による正確かつ安定なsランク行列回復の必要十分条件を確立すること。
• γ̂ₛの計算可能な上界を導出し、正確な低ランク回復の検証可能な十分条件を導出すること。

提案手法

• スパース回復におけるJuditksyとNemirovskiの枠組みを一般化し、LMRにおける線形変換のs-goodnessを導入する。
• s-goodnessを特徴づける2つのG数特徴量γₛおよびγ̂ₛを定義し、それらを回復保証と結びつける。
• 特異値分解（SVD）と特異値の分割技術を用い、行列を最大の特異値、次に大きい特異値、残りの特異値に対応する部分に分解する。
• フロベニウスノルムと核ノルムを含む不等式を導出し、線形変換の性質を活用して行列回復の誤差を制限する。
• s-goodnessと制限等長性性質（RIP）の関係を確立し、δ₂ₛ < √2 − 1が正確な回復を保証することを示す。
• RIP定数を用いてγ̂ₛの計算可能な上界を提供し、正確なsランク回復の検証可能な十分条件を可能にする。

実験結果

リサーチクエスチョン

• RQ1 核ノルム最小化が低ランク行列回復においてsランク行列を正確に回復するための条件は何ですか？
• RQ2 スパース信号回復からのs-goodnessの概念をどのように低ランク行列回復に一般化できますか？
• RQ3 線形変換がLMRの文脈でs-goodであるための必要十分条件は何ですか？
• RQ4 γ̂ₛの計算可能な上界を導出し、正確な回復の検証可能な十分条件を得ることは可能ですか？
• RQ5 LMRにおけるs-goodnessと制限等長性性質（RIP）の関係はどのようなものですか？

主な発見

• 本稿は、2つのG数特徴量γₛおよびγ̂ₛを用いて、LMRにおける線形変換がs-goodであるための必要十分条件を確立した。
• やや緩い仮定の下で、核ノルム最小化による正確かつ安定なsランク行列回復の十分条件を提示した。
• γ̂ₛの計算可能な上界を導出し、正確な低ランク行列回復の検証可能な十分条件を導いた。
• δ₂ₛ < √2 − 1が正確な回復を保証する十分条件であることが示され、従来の結果（例：δ₅ₛ < 1/10およびδ₄ₛ < √2 − 1）を改善した。
• 最近の研究（Oymakら[31]を含む）と一貫しており、独立的に導出された結果であることが確認され、現在最も良い境界としてδ₂ₛ < 0.472が確認された。