[論文レビュー] Verifiable and computable performance analysis of sparsity recovery

Gongguo Tang, Arye Nehorai|arXiv (Cornell University)|Feb 23, 2011

Sparse and Compressive Sensing Techniques参考文献 23被引用数 11

ひとこと要約

本稿では、性能基準としてℓ∞ノルムを用いるスパース回復の検証可能で計算可能な性能解析を導入する。第二順序コーン計画法（SOCP）および線形計画法（LP）を用いて、感応行列のための計算可能で検証可能な良さの指標の族を提案し、従来の制限的等長性定数（RIC）に基づく境界よりもきめ細かく、特に低スパース度の状況で優れた誤差境界を実現する。

ABSTRACT

In this paper, we develop verifiable and computable performance analysis of sparsity recovery. We define a family of goodness measures for arbitrary sensing matrices as a set of optimization problems, and design algorithms with a theoretical global convergence guarantee to compute these goodness measures. The proposed algorithms solve a series of second-order cone programs, or linear programs. As a by-product, we implement an efficient algorithm to verify a sufficient condition for exact sparsity recovery in the noise-free case. We derive performance bounds on the recovery errors in terms of these goodness measures. We also analytically demonstrate that the developed goodness measures are non-degenerate for a large class of random sensing matrices, as long as the number of measurements is relatively large. Numerical experiments show that, compared with the restricted isometry based performance bounds, our error bounds apply to a wider range of problems and are tighter, when the sparsity levels of the signals are relatively low.

研究の動機と目的

• 従来の制限的等長性定数（RIC）解析の限界を克服し、検証可能で計算可能なスパース信号回復のための性能解析フレームワークを構築すること。
• 測定の前段階で実用的な性能評価が可能な、任意の感応行列に対する計算可能で検証可能な良さの指標の族を定義すること。
• これらの新しい指標に基づいた回復誤差境界を導出し、特にサポート回復と直接関連するℓ∞ノルム性能に焦点を当てる。
• 十分な測定回数がある条件下で、大規模なランダム感応行列のクラスに対して、提案された指標が非退化であることを示すこと。
• MRI、レーダー、センサーアレイなどの応用分野において、計算可能な性能保証を提供することで、最適な感応行列設計を可能にすること。

提案手法

• 感応行列の双対ノルムを制約として、ℓ∞ノルムとℓ1ノルムを含む最適化問題として、感応行列の良さの指標の族を定義する。
• これらの指標の計算を、第二順序コーン計画法（SOCP）または線形計画法（LP）の系列として定式化し、理論的保証付きのグローバル収束を確保する。
• 固定点反復と連続性の議論を用いて、基礎となる最適化問題の解の存在と一意性を検証する。
• 誤差ベクトルのℓ∞ノルムを非ゼロ信号成分の最小値の半分以内に制御することで、正確なサポート同定が可能であることを示し、ℓ∞ノルムとサポート回復の関係を確立する。
• 連続性とコンパクト性の議論を活用して、実行可能集合におけるℓ∞ノルムとℓ1ノルムの比に一様な境界が存在することを証明し、指標の非退化性を保証する。
• 計算された良さの指標に基づき、ノイズなし状況における正確なスパース回復のための十分条件を検証するための効率的なアルゴリズムを実装する。

実験結果

リサーチクエスチョン

• RQ1 任意の感応行列に対して、ℓ1に基づくスパース信号回復の性能境界を、検証可能で計算可能なものにできるか？
• RQ2 感応行列の計算可能な指標を用いて、再構成誤差のℓ∞ノルムをどのように制約できるか？
• RQ3 提案されたフレームワークは、特に低スパース度の状況において、従来のRICに基づく境界よりもきめ細かくかつ適用範囲が広いか？
• RQ4 どのような条件下で、提案された良さの指標がランダム感応行列に対して非退化になるか？
• RQ5 ℓ∞に基づく性能解析は、MRI やレーダーなどの応用分野における感応システムの実用的設計と検証をどの程度可能にするか？

主な発見

• 提案された良さの指標は、第二順序コーン計画法または線形計画法により計算可能であり、感応行列の実用的性能評価を可能にする。
• フレームワークは、特に信号のスパース度が低い場合に、制限的等長性定数に基づく境界よりもきめ細かいℓ∞ノルムに基づく回復誤差境界を提供する。
• 測定回数が十分に多い限り、大規模なランダム感応行列のクラスに対して、良さの指標は非退化である。
• ℓ∞ノルムに基づく解析は、正確なサポート回復を直接支援する。誤差のℓ∞ノルムを非ゼロ信号成分の最小値の半分以内に制御することで、非ゼロ成分の正確な同定が保証される。
• 最適化問題の固定点定式化により、提案されたアルゴリズムのグローバル収束が保証され、解の存在と一意性について理論的保証が得られる。
• 数値実験により、提案された境界がより広範な問題に適用可能であり、特に低スパース度領域においてRICに基づく境界よりもきめ細かいことが確認された。