[論文レビュー] Tensor Robust Principal Component Analysis: Exact Recovery of Corrupted Low-Rank Tensors via Convex Optimization

Canyi Lu, Jiashi Feng+4 more|arXiv (Cornell University)|Aug 14, 2017

Sparse and Compressive Sensing Techniques参考文献 25被引用数 28

ひとこと要約

本稿では、テンソル核ノルムとℓ1ノルムの最小化を用いて、低チューブランクテンソルとスパース誤差テンソルの和から、それらを正確に回復する凸最適化フレームワーク、テンソルロバスト主成分分析（TRPCA）を提案する。この手法はt-SVDを介してロバストPCAをテンソルへ拡張し、やや弱い非一様性およびスパarsityの仮定の下で正確な回復を達成し、理論的保証と画像ノイズ除去応用における優れた性能を示す。

ABSTRACT

This paper studies the Tensor Robust Principal Component (TRPCA) problem which extends the known Robust PCA (Candes et al. 2011) to the tensor case. Our model is based on a new tensor Singular Value Decomposition (t-SVD) (Kilmer and Martin 2011) and its induced tensor tubal rank and tensor nuclear norm. Consider that we have a 3-way tensor ${\mathcal{X}}\in\mathbb{R}^{n_1 imes n_2 imes n_3}$ such that ${\mathcal{X}}={\mathcal{L}}_0+{\mathcal{E}}_0$, where ${\mathcal{L}}_0$ has low tubal rank and ${\mathcal{E}}_0$ is sparse. Is that possible to recover both components? In this work, we prove that under certain suitable assumptions, we can recover both the low-rank and the sparse components exactly by simply solving a convex program whose objective is a weighted combination of the tensor nuclear norm and the $\ell_1$-norm, i.e., $\min_{\mathcal{L},\ {\mathcal{E}}} \ \|{\mathcal{L}}\|_*+λ\|{\mathcal{E}}\|_1, \ ext{s.t.} \ {\mathcal{X}}={\mathcal{L}}+{\mathcal{E}}$, where $λ= {1}/{\sqrt{\max(n_1,n_2)n_3}}$. Interestingly, TRPCA involves RPCA as a special case when $n_3=1$ and thus it is a simple and elegant tensor extension of RPCA. Also numerical experiments verify our theory and the application for the image denoising demonstrates the effectiveness of our method.

研究の動機と目的

• テンソル固有の構造を活用することで、行列からのロバストPCAの拡張を図ること。
• 顕著なスパースコラプション下での低ランクテンソル回復の課題に取り組むこと。
• 低ランクおよびスパース成分の両方の正確な回復を可能にする凸最適化モデルの開発。
• 実行可能な凸計画問題を用いて正確な回復が可能となる理論的条件の確立。
• 実世界の応用、例えば画像ノイズ除去における手法の有効性の実証。

提案手法

• テンソルチューブランクとテンソル核ノルムを定義するための新しいテンソル特異値分解（t-SVD）を提案する。
• 凸最適化問題を定式化：X = L + E を満たす条件下で、min_L,E ||L||_* + λ||E||_1 を最小化し、λ = 1/√(max(n1,n2)n3) とする。
• t-SVDを用いて分解中に多次元構造を保持し、行列への展開を回避する。
• テンソルチューブランクの凸近似としてテンソル核ノルムを用いる。
• テンソルデータを行列に再形状せずにモデルを適用し、空間的および構造的整合性を保持する。
• 顔認識およびカラー画像ノイズ除去タスクにおける実験的妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 凸最適化を用いて、低チューブランクテンソルとスパーステンソルをその和から正確に回復できるか？
• RQ2 提案されたTRPCA手法は、テンソル設定においてRPCAの理論的保証を維持するか？
• RQ3 画像ノイズ除去において、TRPCAは行列ベースのRPCAやSNNに基づくテンソル手法と比較してどのように性能を発揮するか？
• RQ4 TRPCAフレームワークにおける正則化パラメータλの最適な選択肢は何か？
• RQ5 TRPCAは、カラー画像や動画などの実世界データの多次元構造を効果的に活用できるか？

主な発見

• やや弱い非一様性およびスパarsityの仮定の下で、TRPCAは低ランクおよびスパーステンソル成分の正確な回復を達成する。
• 画像ノイズ除去において、RPCAやSNNを上回り、10%のピクセル破損がかかる50枚のカラー画像において、高いPSNR値を達成する。
• 数値実験により理論的回復保証が確認され、顔データおよび画像データにおけるノイズ除去が成功している。
• λ = 1/√(max(n1,n2)n3) の選択により、自由パラメータなしで効果的な性能が得られる。
• RPCAが各チャネルを個別に処理するのに対し、TRPCAは多次元テンソル構造を活用することで優れた性能を発揮する。