[논문 리뷰] An Elementary Proof of Convex Phase Retrieval in the Natural Parameter Space via the Linear Program PhaseMax

Paul Hand, Vladislav Voroninski|arXiv (Cornell University)|2016. 11. 12.

Advanced X-ray Imaging Techniques참고 문헌 7인용 수 34

한 줄 요약

이 논문은 표준적인 확률적 농도 및 커버링 추론을 활용하여, 최적의 표본 복잡도 하에서 실수 신호를 $O(n)$개의 가우시안 비위상 측정값으로부터 PhaseMax 선형 프로그램이 정확하게 복원할 수 있음을 단순하고 기본적인 증명을 제시한다. 복잡한 기하학적 또는 통계학적 학습 이론 프레임워크를 피하기 위해, 기본적인 랜덤 행렬 이론과 $L^1$-등장성 경계를 사용하여 전역 부호를 제외한 정확한 복원을 확립한다.

ABSTRACT

The phase retrieval problem has garnered significant attention since the development of the PhaseLift algorithm, which is a convex program that operates in a lifted space of matrices. Because of the substantial computational cost due to lifting, many approaches to phase retrieval have been developed, including non-convex optimization algorithms which operate in the natural parameter space, such as Wirtinger Flow. Very recently, a convex formulation called PhaseMax has been discovered, and it has been proven to achieve phase retrieval via linear programming in the natural parameter space under optimal sample complexity. The current proofs of PhaseMax rely on statistical learning theory or geometric probability theory. Here, we present a short and elementary proof that PhaseMax exactly recovers real-valued vectors from random measurements under optimal sample complexity. Our proof only relies on standard probabilistic concentration and covering arguments, yielding a simpler and more direct proof than those that require statistical learning theory, geometric probability or the highly technical arguments for Wirtinger Flow-like approaches.

연구 동기 및 목표

• 기존의 통계학적 학습 이론이나 기하학적 확률 기반 방법에 의존하는 것보다 PhaseMax의 성공에 대한 더 단순하고 직접적인 증명을 제공하는 것.
• 고급 기하학적 또는 통계학적 학습 이론 도구를 사용하지 않고, 기초적인 확률 도구만을 활용하여 실수 신호를 $O(n)$개의 랜덤 가우시안 측정값으로부터 정확하게 복원하는 것.
• 자연적 매개변수 공간 내에서 볼록 선형 프로그램인 PhaseMax가 리프팅 없이도 최적의 표본 복잡도를 달성하는 것.
• 높은 확률로 성립하는 미약한 앵커 벡터 조건 ($\r{dist}(φ, x_0) < 0.6\|x_0\|_2$) 하에서 복원 보장이 이루어지는 것.

제안 방법

• 랜덤 행렬의 특이값에 대한 표준적인 확률적 농도 부등식을 사용하여 측정 연산자의 행동을 제한한다.
• 측정 연산자 $\mathcal{A}$에 대한 $\r{L}^1$-등장성 경계를 적용하며, 개선된 상수를 통해 증명함으로써 기대 내적과 신호 노름을 연결한다.
• 단위 구면 위의 $\varepsilon$-넷을 통한 커버링 추론을 활용하여 유한 집합에서의 고확률 경계를 전체 구면으로 확장한다.
• 지수적 초과 분포를 가진 랜덤 변수의 尾부 경계를 조합하여 $|\langle a_i, x_0\rangle\langle a_i, x_1\rangle|$의 기대값을 제어한다.
• 넷에 대한 유니온 바운드를 사용하여 모든 단위 벡터 쌍에서 동시에 농도가 유지되도록 보장한다.
• 앵커 벡터 $\phi$가 $x_0$로부터 $0.6\|x_0\|_2$ 이내에 있을 경우 $\langle \phi, x_0 \rangle > 0$ 가 성립하여 PhaseMax에서 $x_0$가 최대화자로 유리해지도록 보장한다.

실험 결과

연구 질문

• RQ1 PhaseMax는 기하학적 확률이나 통계학적 학습 이론을 피하면서도 기초적인 확률 도구만을 사용해 자연적 매개변수 공간에서 정확한 위상 복원을 달성할 수 있는가?
• RQ2 PhaseMax가 실수 신호를 가우시안 비위상 측정값으로부터 복원하기 위해 필요한 최소 표본 복잡도는 무엇인가?
• RQ3 기하학적 확률이나 통계학적 학습 이론을 피하면서 PhaseMax 성공에 대한 증명을 단순화시킬 수 있는가?
• RQ4 앵커 벡터의 품질은 $x_0$ 복원 성공에 어떤 영향을 미치는가?

주요 결과

• 앵커 벡터 $\phi$가 $\|\phi - x_0\|_2 < 0.6\|x_0\|_2$ 를 만족할 경우, PhaseMax는 $m = O(n)$개의 가우시안 측정값으로부터 $x_0$를 전역 부호를 제외하고 높은 확률로 정확히 복원한다.
• 증명은 고급 기하학적 확률이나 통계학적 학습 이론 도구를 사용하지 않고, 표준적인 농도 부등식과 커버링 추론에만 의존한다.
• 이 방법은 정보 이론적 하한선에 로그 인자까지 일치하는 최적의 표본 복잡도를 달성한다.
• 핵심 기술적 구성 요소는 이전 결과보다 더 날카운 상수를 가진 측정 연산자 $\mathcal{A}$의 $\r{L}^1$-등장성에 대한 개선된 경계이다.
• 높은 확률로, 잘라낸 스펙트럼 초기화를 통해 계산된 앵커 벡터는 $O(n)$개의 측정값에서 요구 조건을 충족한다.
• 전반적인 PhaseMax의 성공 확률은 $m \geq cn$일 때, universal 상수 $\gamma$와 $c$에 대해 최소 $1 - 6e^{-\gamma m}$이다.