[論文レビュー] Universal discretization and sparse sampling recovery

F. Dai, V. Temlyakov|arXiv (Cornell University)|Jan 14, 2023

Mathematical Approximation and Integration被引用数 8

ひとこと要約

論文は universal discretization を用いた最小二乗法による疎回復に対して L2 ノルムの Lebesgue型不等式を開発し、辞書における最良の v-term 近似と疎回復誤差を結びつける。

ABSTRACT

Recently, it was discovered that for a given function class $\mathbf{F}$ the error of best linear recovery in the square norm can be bounded above by the Kolmogorov width of $\mathbf{F}$ in the uniform norm. That analysis is based on deep results in discretization of the square norm of functions from finite dimensional subspaces. In this paper we show how very recent results on universal discretization of the square norm of functions from a collection of finite dimensional subspaces lead to an inequality between optimal sparse recovery in the square norm and best sparse approximations in the uniform norm with respect to appropriate dictionaries.

研究の動機と目的

• L2ノルムでのサンプリング回復と一様ノルムにおける Kolmogorov 幅との関係を動機づけ、分析する。
• 有限次元部分空間の集合に対する universal discretization を導入し活用する。
• 最小二乗法と v-term 辞書に基づく非線形疎回復アルゴリズムを研究する。
• LS に基づく疎回復と最良の v-term 近似との Lebesgue-type 不等式を確立する。
• 特定の有界性条件と Riesz-type 条件を満たす辞書に対して無条件的な結果を提供する。

提案手法

• 最小二乗回復（LS）と非線形疎回復アルゴリズム L(ξ, η) を用いたサンプリングと離散化の枠組みを定義する。
• X_v(D_N) に対する片側の universal discretization を用いて LS 基づく回復誤差を L2(w) および L∞ ノルムで σ_v(f, D_N) によって界限する。
• μとサンプル点での点質量を組み合わせた離散化測度 μ_ξ を導入する。
• 定理1.1 を証明し、||f - LS(ξ, X_v(D_N))(f)||_2 の界を σ_v(f, D_N)_{L2(𝕋, μ_ξ)} および σ_v(f, D_N)_∞ の形で与える。
• 定理1.2 を示し、予めの離散化仮定の下で、varrho^{ls}_{m,v} <= 定数 * σ_v(F, D_N)_{(2,m)} および <= 定数 * σ_v(F, D_N)_∞ となることを示す。
• 辞書が有界性と Riesz-type 条件を満たす場合の無条件的な結果（定理1.3）を説明し、σ_v(F, D_N)_{(2,m)} および σ_v(F, D_N)_∞ に関する界を導く。
• Gegenbauer/正弦型構造を持つ辞書や混合平滑性関数クラスに対する推移を含む系の系を対象とする系の同値を示す。

実験結果

リサーチクエスチョン

• RQ1 LS ベースの疎回復が universal discretization を用いて最良の v-term 近似と比較可能な誤差境界を達成しうるか？
• RQ2 X_v(D_N) に対する片側 universal discretization は関数回復の Lebesgue-type 不等式へどのように翻訳されるか？
• RQ3 無条件回復保証を得るための辞書の十分条件（有界性、Riesz類似性）は何か？
• RQ4 得られた境界は F のクラスに対して (2,m) および無限大ノルムなど異なるノルムで σ_v にどのように関連するか？
• RQ5 三角系や Gegenbauer 辞書、混合平滑性を持つ関数クラスに対してこれらの結果はどう適用されるか？

主な発見

• Lebesgue-type 不等式が確立される：LS-based 疎回復誤差は離散化測度に対する最良の v-term 近似誤差の L2 への倍数で境界付けられる。
• 片側 universal discretization の下で、任意の f について ||f - LS(ξ, X_v(D_N))(f)||_2 は σ_v(f, D_N)_{L2(Ω, μ_ξ)} の定数倍および σ_v(f, D_N)_∞ の定数倍で境界される。
• 辞書が有界性と Riesz-type 条件を満たす場合の無条件的な結果が提供され、ディスクリタイズション特性と対応する誤差境界を保証する具体的な m-density の境界を与える（定理1.3）。
• 特定の減衰・近似特性を持つ辞書（例：三角系、Gegenbauer多項式）に対して、LS ベース回復誤差を σ_v(F, D_N) に対して (2,m) ノルムまたは無限大ノルムで境界できることを示すコロラリ。
• 本研究は universal discretization の結果を非線形疎回復へ結びつけ、圧縮感知技術に依存しない。