[논문 리뷰] A strong restricted isometry property, with an application to phaseless compressed sensing

Vladislav Voroninski, Zhiqiang Xu|arXiv (Cornell University)|2014. 04. 15.

Sparse and Compressive Sensing Techniques참고 문헌 28인용 수 3

한 줄 요약

이 논문은 $k$-희소 신호를 단지 크기 측정값 $|Ax_0|$ 로부터 $\varepsilon$-노름 최소화를 통해 정확히 복원할 수 있도록 보장하는 강력한 제한 이sov테이피(Property, SRIP)를 도입한다. 또한 $O(k\log(n/k))$ 측정값을 가진 랜덤 가우시안 행렬이 높은 확률로 SRIP를 만족함을 증명하며, 이는 $\ell_1$ 최소화가 $x_0$를 전역 부호를 제외한 정확한 복원을 보장함으로써 표준 압축 측정 이론을 단지 크기 측정값만 존재하는 상황으로 확장한다.

ABSTRACT

The many variants of the restricted isometry property (RIP) have proven to be crucial theoretical tools in the fields of compressed sensing and matrix completion. The study of extending compressed sensing to accommodate phaseless measurements naturally motivates a strong notion of restricted isometry property (SRIP), which we develop in this paper. We show that if $A \in \mathbb{R}^{m imes n}$ satisfies SRIP and phaseless measurements $|Ax_0| = b$ are observed about a $k$-sparse signal $x_0 \in \mathbb{R}^n$, then minimizing the $\ell_1$ norm subject to $ |Ax| = b $ recovers $x_0$ up to multiplication by a global sign. Moreover, we establish that the SRIP holds for the random Gaussian matrices typically used for standard compressed sensing, implying that phaseless compressed sensing is possible from $O(k \log (n/k))$ measurements with these matrices via $\ell_1$ minimization over $|Ax| = b$. Our analysis also yields an erasure robust version of the Johnson-Lindenstrauss Lemma.

연구 동기 및 목표

• 위상 없는 압축 측정 이론에 특화된 강력한 제한 이sov테이피(Property, SRIP)를 개발하는 것.
• 측정값 $|Ax_0|$ 만 제공되는 상황에서 $|Ax| = |Ax_0|$ 를 만족하는 $\ell_1$-노름 최소화가 원래의 $k$-희소 신호 $x_0$ 를 전역 부호를 제외하고 정확히 복원할 수 있는 조건을 설정하는 것.
• 랜덤 가우시안 행렬이 $m = O(k\log(n/k))$ 측정값을 가질 경우 높은 확률로 SRIP를 만족함을 보여, 효율적이고 증명 가능한 정확한 복원을 가능하게 하는 것.
• 분석 과정에서 손실 내성 버전의 존슨-린든스트라우스 보조정리(Johnson-Lindenstrauss Lemma)를 유도하는 것.

제안 방법

• 표준 RIP의 더 강력한 변종인 강력한 제한 이sov테이피(Property, SRIP)를 도입하여, $A$의 모든 충분히 큰 부분행렬이 희소 벡터의 $\ell_2$-노름을 좁은 범위 내에서 유지하도록 요구한다.
• 만약 $A$가 순서 $k$의 SRIP를 매개변수 $\theta_-, \theta_+$ 로 만족한다면, $|Ax| = |Ax_0|$ 를 만족하는 $\ell_1$ 최소화가 $x_0$ 를 전역 부호를 제외하고 복원함을 증명한다.
• 측정값의 집중 불등식과 尾확률(꼬리 확률) 경계를 사용하여, $m \times n$ 가우시안 행렬이 $m = O(k\log(n/k))$ 일 때 높은 확률로 SRIP를 만족함을 증명한다.
• 해결 가능한 $Ax = b_\epsilon$ 를 만족하는 부호 패턴 $\epsilon \in \{1,-1\}^m$ 의 구조를 분석하고, SRIP 하에서 $\ell_1$-노름이 최소가 되는 해는 오직 $x = \pm x_0$ 일 수 있음을 보인다.
• 기존의 표준 RIP 하에서의 $\ell_1$-최소화 이론을 부분행렬 분석과 부호 일致성(consistency)을 통해 위상 없는 설정으로 확장한다.
• 손실 내성 버전의 존슨-린든스트라우스 보조정리를 도출하여, 좌표의 일정 비율이 제거된 후에도 차원 축소가 거리 유지 성질을 거의 유지함을 보인다.

실험 결과

연구 질문

• RQ1 위상 없는 측정값에서 비볼록 제약 조건 집합 $|Ax| = |Ax_0|$ 하에서의 $\ell_1$ 최소화가 $k$-희소 신호 $x_0$ 를 정확히 복원할 수 있는가?
• RQ2 위상 없는 압축 측정 이론에서 정확한 복원을 보장하기 위해 표준 RIP보다 더 강력한 등거리 조건이 필요한가?
• RQ3 랜덤 가우시안 행렬이 $O(k\log(n/k))$ 측정값을 가질 경우 이 더 강력한 조건을 높은 확률로 만족하는가?
• RQ4 존슨-린든스트라우스 보조정리는 무작위 좌표 손실 상황에서도 여전히 유효하게 강화될 수 있는가?
• RQ5 위상 없는 복원 프레임워크를 동일한 측정 복잡도로 복소수 신호로 확장할 수 있는가?

주요 결과

• 강력한 제한 이sov테이피(Property, SRIP)는 $A$ 가 순서 $k$ 에 대해 적절한 매개변수 $\theta_-, \theta_+$ 로 SRIP를 만족할 경우, $|Ax| = |Ax_0|$ 를 만족하는 $\ell_1$ 최소화가 $x_0$ 를 전역 부호를 제외하고 정확히 복원함을 보장한다.
• 크기 $m = O(k\log(n/k))$ 의 랜덤 $m \times n$ 가우시안 행렬은 높은 확률로 순서 $k$ 의 SRIP를 만족하며, 이는 $O(k\log(n/k))$ 개의 위상 없는 측정값으로부터 증명 가능한 복원을 가능하게 한다.
• 분석 과정에서 손실 내성 버전의 존슨-린든스트라우스 보조정리를 도출하였으며, 이는 좌표의 일정 비율이 제거된 후에도 거리 유지 성질이 유지됨을 보여준다.
• 모든 $k$-희소 신호 $x_0$ 에 대해, $\min \|x\|_1 \text{ s.t. } |Ax| = |Ax_0|$ 의 해는 $A$ 가 $m = O(k\log(n/k))$ 의 가우시안 행렬일 경우 높은 확률로 $x = \pm x_0$ 가 된다.
• 증명은 임의의 부호 패턴 $\epsilon$ 에 대해, $Ax = b_\epsilon$ 의 해 $x_\epsilon$ 가 $\|x_\epsilon\|_1 \geq \|x_0\|_1$ 를 만족하며, 등호가 성립하는 경우에만 $x_\epsilon = \pm x_0$ 가 된다는 것을 보여, SRIP 하에서 성립함을 보인다.
• 결과적으로, SRIP 조건 하에서 위상 없는 압축 측정 이론은 표준 압축 측정 이론과 동일한 $O(k\log(n/k))$ 의 측정 복잡도로 가능하다는 것을 입증한다.