[논문 리뷰] Blind Calibration in Compressed Sensing using Message Passing Algorithms

Christophe Schülke, Francesco Caltagirone외 2명|arXiv (Cornell University)|2013. 06. 18.

Sparse and Compressive Sensing Techniques참고 문헌 18인용 수 8

한 줄 요약

이 논문은 알려진 훈련 신호가 필요하지 않은 압축 측정에서 미지의 센서 이득을 함께 재구성하는 메시지 전달 알고리즘인 캘리브레이션-AMP(C-AMP)을 제안한다. 근사 메시지 전달을 보다 넓은 맥락으로 확장하여 블라인드 캘리브레이션을 처리함으로써, C-AMP는 축소된 측정 수와 신호 수로도 기존의 볼록 최적화 기반 방법보다 뛰어난 성능을 보이며, 곱셈 왜곡을 초월하는 일반적인 비선형 전달 함수에 대해서도 성공적인 캘리브레이션을 가능하게 한다.

ABSTRACT

Compressed sensing (CS) is a concept that allows to acquire compressible signals with a small number of measurements. As such it is very attractive for hardware implementations. Therefore, correct calibration of the hardware is a central is- sue. In this paper we study the so-called blind calibration, i.e. when the training signals that are available to perform the calibration are sparse but unknown. We extend the approximate message passing (AMP) algorithm used in CS to the case of blind calibration. In the calibration-AMP, both the gains on the sensors and the elements of the signals are treated as unknowns. Our algorithm is also applica- ble to settings in which the sensors distort the measurements in other ways than multiplication by a gain, unlike previously suggested blind calibration algorithms based on convex relaxations. We study numerically the phase diagram of the blind calibration problem, and show that even in cases where convex relaxation is pos- sible, our algorithm requires a smaller number of measurements and/or signals in order to perform well.

연구 동기 및 목표

• 훈련 신호가 없거나 알려져 있지 않은 압축 측정 하드웨어에서 센서 캘리브레이션 문제를 해결한다.
• 희소 신호와 미지의 센서 이득(예: 곱셈 왜곡)을 함께 추정하는 확장 가능하고 비지도 학습 기반의 캘리브레이션 방법을 개발한다.
• 특정 전달 함수에 국한되고 더 많은 측정이 필요한 기존의 볼록 최적화 기반 방법의 한계를 극복한다.
• 신호 및 이득 분포에 대한 최소한의 가정으로도 블라인드 캘리브레이션 상황에서 메시지 전달 알고리즘이 효과적으로 작동함을 입증한다.

제안 방법

• 추정 과정에 미지의 센서 이득을 잠재 변수로 포함하는 근사 메시지 전달(AMP) 프레임워크를 확장한다.
• 알려진 전달 함수 h를 가진 확률 모델을 사용하여 블라인드 캘리브레이션 문제를 신호와 이득에 대한 공동 추론 문제로 공식화한다.
• 순환 신뢰 전파와 상태 진화 원리를 적용하여 신호 및 이득 추정을 위한 반복적 메시지 전달 업데이트를 유도한다.
• 선형 곱셈 왜곡에 국한된 기존의 볼록 최적화 방법과 달리, 임의의 알려진 전달 함수 h(비선형 및 노이즈 있는 모델 포함)를 지원한다.
• 상태 진화 분석을 통해 알고리즘 성능와 단계 전이를 예측하지만, 완전한 점근적 분석은 유보한다.
• 표준 GAMP과 유사한 계산 복잡도로 C-AMP를 구현하여 대규모 시스템에 대한 확장성을 확보한다.

실험 결과

연구 질문

• RQ1 메시지 전달 알고리즘은 압축 측정에서 희소 신호를 함께 재구성하고 미지의 센서 이득을 캘리브레이션할 수 있도록 확장될 수 있는가?
• RQ2 측정 비율과 필요로 하는 신호 수 측면에서 C-AMP는 볼록 최적화 기반 방법보다 어떻게 비교되는가?
• RQ3 C-AMP는 곱셈 왜곡을 초월하는 일반적인 전달 함수를 얼마나 잘 처리할 수 있는가?
• RQ4 C-AMP 하에서 블라인드 캘리브레이션의 단계도는 어떻게 되며, 정보 이론적 수세기 경계에 얼마나 가까이 도달하는가?
• RQ5 알고리즘은 시스템 크기와 반복 횟수에 따라 어떻게 스케일업되며, 유한 체적 효과의 영향은 무엇인가?

주요 결과

• C-AMP는 P=2 또는 P=3개의 희소 신호로도 성공적인 블라인드 캘리브레이션을 달성하여 이전 방법보다 훨씬 적은 훈련 신호 수가 필요함을 보였다.
• 측정 비율 α 측면에서 ℓ₁-최소화 기반 캘리브레이션보다 C-AMP가 우수하며, 단계도에서 더 넓은 재구성 성공 영역을 확보하였다.
• 제품 전달 함수(2)의 경우, C-AMP는 수세기 경계(3)로 주어진 이론적 최소 측정 수 근처에서도 캘리브레이션을 가능하게 하였다.
• 수치 결과는 C-AMP가 특히 단계 전이 근처에서 ℓ₁-최소화보다 더 낮은 평균 제곱 오차(MSE)를 달성하며, 더 빠른 수렴과 더 뛰어난 강인성을 보였다.
• 단계도 분석 결과, 볼록 최적화에 의해 예측된 것보다 더 낮은 α 및 P 값에서도 캘리브레이션이 가능함을 보여주었으며, 성능 우월성이 확인되었다.
• C-AMP는 유한한 시스템 크기에도 강인하며, 단계 경계 근처에서 매끄러운 전이를 보이며, 반복 횟수가 많을수록 성능이 향상된다.