[논문 리뷰] A Unified Framework for Identifiability Analysis in Bilinear Inverse Problems with Applications to Subspace and Sparsity Models

Yanjun Li, Kiryung Lee외 1명|arXiv (Cornell University)|2015. 01. 25.

Image and Signal Denoising Methods참고 문헌 23인용 수 29

한 줄 요약

이 논문은 이차형 역문제(BIPs)에서 식별 가능성에 대한 통합적 프레임워크를 제안하며, 변환군에 대해 유일성에 초점을 맞춘다. 부분공간 및 희박성 제약 조건 하에서 식별 가능성에 대한 필요 및 충분 조건을 도출하며, 블라인드 게인 및 프레이즈 캘리브레이션(BGPC)에 응용하여, 처음으로 대수적 샘플 복잡도 경계를 도출하고 변환군을 통해 동치 클래스를 특성화한다.

ABSTRACT

Bilinear inverse problems (BIPs), the resolution of two vectors given their image under a bilinear mapping, arise in many applications. Without further constraints, BIPs are usually ill-posed. In practice, properties of natural signals are exploited to solve BIPs. For example, subspace constraints or sparsity constraints are imposed to reduce the search space. These approaches have shown some success in practice. However, there are few results on uniqueness in BIPs. For most BIPs, the fundamental question of under what condition the problem admits a unique solution, is yet to be answered. For example, blind gain and phase calibration (BGPC) is a structured bilinear inverse problem, which arises in many applications, including inverse rendering in computational relighting (albedo estimation with unknown lighting), blind phase and gain calibration in sensor array processing, and multichannel blind deconvolution (MBD). It is interesting to study the uniqueness of such problems. In this paper, we define identifiability of a BIP up to a group of transformations. We derive necessary and sufficient conditions for such identifiability, i.e., the conditions under which the solutions can be uniquely determined up to the transformation group. Applying these results to BGPC, we derive sufficient conditions for unique recovery under several scenarios, including subspace, joint sparsity, and sparsity models. For BGPC with joint sparsity or sparsity constraints, we develop a procedure to compute the relevant transformation groups. We also give necessary conditions in the form of tight lower bounds on sample complexities, and demonstrate the tightness of these bounds by numerical experiments. The results for BGPC not only demonstrate the application of the proposed general framework for identifiability analysis, but are also of interest in their own right.

연구 동기 및 목표

• 이차형 역문제(BIPs)에서 스케일링 및 기타 모호성으로 인해 일반적으로 불안정한 유일성 문제에 대한 근본적인 열린 문제를 해결한다.
• 해결책에 대한 동치 클래스 정의를 가능하게 하기 위해 변환군에 대해 식별 가능성을 공식화한다.
• 부분공간 및 희박성 제약 조건 하에서 BIPs의 식별 가능성에 대한 필요 및 충분 조건을 도출한다.
• 역렌더링, 센서 어레이 처리, 다채널 블라인드 디컨volution에서 발생하는 대표적인 BIP인 블라인드 게인 및 프레이즈 캘리브레이션(BGPC)에 프레임워크를 적용한다.
• 공동 희박성 및 희박성 모델 하에서 BGPC의 샘플 복잡도에 대한 날카로운 하한을 확립하고, 수치 실험을 통해 그 날카로움을 입증한다.

제안 방법

• 해결책이 군 작용에 대한 동치성 하에 유일하다는 의미에서, 일반적인 변환군에 대해 식별 가능성의 개념을 도입한다.
• BIP에 관련된 변환군을 정의하고, 그 군의 작용에 따라 해공간에서의 식별 가능성에 필요한 조건과 충분 조건을 유도한다.
• BGPC에 프레임워크를 적용하며, 측정 모델이 $ Y = \mathrm{diag}(\lambda) \Phi $임을 고려한다. 여기서 $ \lambda $는 알려지지 않은 게인 및 프레이즈 벡터이고, $ \Phi $는 신호 행렬이다.
• 공동 희박성 및 희박성 모델에 대해, 신호의 지지 구조를 기반으로 관련된 변환군과 동치 클래스를 계산하는 절차를 개발한다.
• 색인 집합 이동에 대한 조합론적 및 대수적 추론을 사용하여, 측정 수(샘플 복잡도)에 대한 날카로운 하한을 필요 조건 형태로 도출한다.
• 그래프 이론적 및 주기성 기반 분석을 통해, 특히 신호 열의 공동 지지 집합이 주기적일 경우 식별 가능성 실패의 조건을 특성화한다.

실험 결과

연구 질문

• RQ1 어떤 조건에서 이차형 역문제가 변환군에 대해 유일하게 식별 가능할 수 있는가?
• RQ2 희박성 및 부분공간 제약 조건 하에서 BIP에 관련된 변환군을 체계적으로 계산할 수 있는 방법은 무엇인가?
• RQ3 공동 희박성 또는 희박성 모델 하에서 BGPC에 대한 최대한 날카로운 샘플 복잡도 하한은 무엇인가?
• RQ4 신호의 공동 지지 집합이 주기적일 경우 식별 가능성은 언제 실패하며, 이를 대수적으로 어떻게 특성화할 수 있는가?
• RQ5 제안된 프레임워크는 역렌더링 및 다채널 블라인드 디컨볼루션과 같은 실제 BIP에 적용 가능하며, 유일성 보장이 보장되는가?

주요 결과

• 논문은 변환군에 대해 BIPs의 식별 가능성에 필요한 조건과 충분 조건을 확립하여, 이차형 시스템에서의 유일성 분석을 위한 일반적인 이론적 기반을 제공한다.
• 공동 희박성 또는 희박성 제약 조건이 있는 BGPC에 대해, 이 프레임워크는 처음으로 대수적 샘플 복잡도 경계를 도출하며, 수치적 검증을 통해 그 날카로움을 입증한다.
• 신호 열의 공동 지지 집합이 주기적일 경우 식별 가능성은 실패하며, 이 실패는 비영인 측도를 가진 집합에서 발생하므로 주기성이 중요한 장애물임을 시사한다.
• 공동 희박 신호에 대한 변환군은 기저의 선택에 따라 달라지며, 다양한 기저에 대해 이 군을 계산하는 절차가 개발되었다.
• 공동 지지 집합이 연속적이고 비주기적일 경우, 이동된 색인 집합은 최소 $ n-1 $개의 색인을 커버하며, 적절한 조건 하에서 식별 가능성을 보장한다.
• 프레임워크는 병적인 비식별 가능 사례(예: 랭크 결손 또는 주기적 지지 집합)가 측도가 0인 집합에 존재함을 드러내어, 미약한 조건 하에서 일반적인 신호는 식별 가능함을 시사한다.