[論文レビュー] Tensor Robust Principal Component Analysis with A New Tensor Nuclear Norm

Canyi Lu, Jiashi Feng+4 more|arXiv (Cornell University)|Apr 10, 2018

Sparse and Compressive Sensing Techniques参考文献 35被引用数 34

ひとこと要約

本稿では、テンソル-テンソル積（t-積）およびt特異値分解（t-SVD）から導出された新しいテンソル核ノルム（TNN）を用いた、新規なテンソルロバスト主成分分析（TRPCA）フレームワークを提案する。この手法により、凸最適化を用いて正確な低ランクおよびスパーステンソル成分の回復が可能となり、行列RPCAを一般化する理論的保証が得られる。主な貢献は、t-SVDの最初のフロントスライスの特異値の和として定義されるTNNであり、これは単位スペクトルノルム球内でのテンソル平均ランクの凸包であることが証明されている。

ABSTRACT

In this paper, we consider the Tensor Robust Principal Component Analysis (TRPCA) problem, which aims to exactly recover the low-rank and sparse components from their sum. Our model is based on the recently proposed tensor-tensor product (or t-product). Induced by the t-product, we first rigorously deduce the tensor spectral norm, tensor nuclear norm, and tensor average rank, and show that the tensor nuclear norm is the convex envelope of the tensor average rank within the unit ball of the tensor spectral norm. These definitions, their relationships and properties are consistent with matrix cases. Equipped with the new tensor nuclear norm, we then solve the TRPCA problem by solving a convex program and provide the theoretical guarantee for the exact recovery. Our TRPCA model and recovery guarantee include matrix RPCA as a special case. Numerical experiments verify our results, and the applications to image recovery and background modeling problems demonstrate the effectiveness of our method.

研究の動機と目的

• 行列ベースのロバストPCA（RPCA）が多様な（テンソル）データを処理する際の限界を克服するため、RPCAをテンソルに拡張しつつ、正確な回復保証を維持すること。
• 行列の場合と整合的であり、テンソルランクのタイトな凸緩和となる well-structured なテンソル核ノルム（TNN）を定義すること。
• t-積およびt-SVDを用いたテンソルロバストPCA（TRPCA）の理論的枠組みを確立し、非一様性およびスパarsity条件の下で正確な回復を保証すること。
• 行列RPCAを一般化し、効率的な計算を可能にする凸最適化モデルをTRPCAに提供すること。

提案手法

• 本稿では、t-積およびt-SVDに基づき、テンソルスペクトルノルムおよびテンソル核ノルム（TNN）を定義し、TNNはテンソルのt-SVDの最初のフロントスライスの特異値の和として計算される。
• 提案されたTNNが、テンソルスペクトルノルムの単位球内におけるテンソル平均ランクの凸包であることが証明され、タイトな凸緩和が保証される。
• TRPCA問題は、低ランク成分のTNNとスパース成分のℓ₁ノルムの和を最小化する凸最適化プログラムとして定式化され、データ整合性を満たす。
• t-SVD分解を用いて、フーリエ変換を介してテンソル演算を行列演算に変換し、計算を効率化する。
• 非一様性およびスパarsity仮定を用いて理論的回復保証を導出し、行列RPCAの結果をテンソルケースに一般化する。
• 画像回復およびバックグラウンドモデリングへの応用により、多次元データにおける著しい汚染に対して高いロバスト性を示す。

実験結果

リサーチクエスチョン

• RQ1 t-積およびt-SVDフレームワークを用いて、正確な低ランクテンソル回復を可能にする、厳密に定義された凸テンソル核ノルムを構築できるか？
• RQ2 提案されたテンソル核ノルムは、単位スペクトルノルム球内でのテンソル平均ランクの凸包であるか？
• RQ3 TRPCAモデルは、非一様性およびスパarsity条件の下で、低ランクおよびスパーステンソル成分を正確に回復できるか？
• RQ4 理論的保証および実用的性能の観点から、既存のテンソル低ランク回復モデルと比較して、提案手法のTRPCAはどのように優れているか？

主な発見

• 提案されたテンソル核ノルムは、t-SVDの最初のフロントスライスの特異値の和として定義され、行列核ノルムと整合的であることが保証される。
• テンソル核ノルムが、テンソルスペクトルノルムの単位球内におけるテンソル平均ランクの凸包であることが証明され、タイトな凸緩和が得られる。
• TRPCAモデルは、非一様性およびスパarsity仮定の下で、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し、行列RPCAの回復保証を一般化する。
• 数値実験の結果、本手法は画像回復およびバックグラウンドモデリングのタスクにおいて、既存手法を上回ることが示された。特に、著しい汚染が加わった状況でも優れた性能を発揮する。
• t-SVD計算における高速フーリエ変換の使用により、計算が効率的であり、大規模なテンソルに対してもスケーラブルである。