[논문 리뷰] Blind Demixing and Deconvolution at Near-Optimal Rate

Peter Jung, Felix Krahmer외 1명|arXiv (Cornell University)|2017. 04. 13.

Blind Source Separation Techniques참고 문헌 43인용 수 5

한 줄 요약

이 논문은 i.i.d. 복소 가우시안 랜덤 인코딩을 사용하여 노이즈가 있는 초합성에서 r개의 신호를 빌드인 디믹싱 및 디컨볼루션하기 위한 볼록 최적화 프레임워크를 제안한다. 이는 r에 대해 선형으로 증가하는 측정 수준에서 이론적 자유도를 충족시키며, 이는 이전 작업에 비해 유의미하게 향상된 근사 최적 측정 스케일링을 달성한다.

ABSTRACT

We consider simultaneous blind deconvolution of r source signals from their noisy superposition, a problem also referred to blind demixing and deconvolution. This signal processing problem occurs in the context of the Internet of Things where a massive number of sensors sporadically communicate only short messages over unknown channels. We show that robust recovery of message and channel vectors can be achieved via convex optimization when random linear encoding using i.i.d. complex Gaussian matrices is used at the devices and the number of required measurements at the receiver scales with the degrees of freedom of the overall estimation problem. Since the scaling is linear in r our result significantly improves over recent works.

연구 동기 및 목표

• 대규모 IoT 및 센서 네트워크에서 노이즈가 있는 초합성에서 r개의 소스 신호와 그들에 대한 알려지지 않은 채널을 복원하는 문제에 도전한다.
• 이전 방법들이 하위 최적의 샘플링 비율을 요구하거나 모델 불일치 및 복원 오류로 인해 어려움을 겪는 한계를 극복한다.
• 전체 문제의 자유도와 일치하는 샘플링 복잡도를 갖는 볼록 최적화 프레임워크를 수립하여 강건한 복원을 달성한다.
• 필요한 측정 수가 r에 대해 선형으로 증가함을 입증하며, 이는 최근의 고차항 스케일링을 갖는 작업들에 비해 유의미하게 향상됨을 보여준다.
• i.i.d. 복소 가우시안 행렬을 사용한 랜덤 선형 인코딩 하에 복원에 대한 이론적 보장을 제공한다.

제안 방법

• 신호 및 채널 벡터의 컨볼루션을 포함하는 이차형 역문제로 빌드인 디믹싱 및 디컨볼루션 문제를 수립한다.
• 채널 및 신호 벡터의 외적 행렬의 노름 최소화를 통한 볼록 완화를 사용하여 해를 효율적으로 복원할 수 있도록 한다.
• i.i.d. 복소 가우시안 행렬을 갖는 랜덤 선형 사상에 의해 관측값을 외적 행렬의 선형 측정으로 모델링한다.
• 비볼록 최적화 방법으로 위팅거 플로우 기반의 경량 하강법과 백트래킹 선검색을 제안하여 실증 성능을 향상시킨다.
• 비볼록 최적화를 위한 좋은 초기값을 제공하기 위해 수반 측정 연산자의 특이값 분해를 이용한 스펙트럼 초기화 방법을 설계한다.
• 복소수 영역에서 효율적인 기울기 계산을 가능하게 하기 위해 비볼록 비용 함수의 위팅거 도함수에 대한 닫힌 형태의 표현식을 유도한다.

실험 결과

연구 질문

• RQ1 합성 신호-채널 추정 문제의 자유도와 일치하는 샘플링 복잡도로 빌드인 디믹싱 및 디컨볼루션을 달성할 수 있는가?
• RQ2 i.i.d. 복소 가우시안 행렬을 사용한 랜덤 선형 인코딩 하에서, 핵심 노름 최소화를 통한 볼록 최적화가 r개의 소스 신호와 그들에 대한 알려지지 않은 채널을 강건하게 복원할 수 있는가?
• RQ3 필요한 측정 수가 소스 수 r에 따라 어떻게 변화하는가? 그리고 이를 선형 스케일링으로 줄일 수 있는가?
• RQ4 위팅거 플로우를 통한 비볼록 최적화는 측정 비율 측면에서 볼록 완화보다 더 나은 실증적 단계 전이를 달성할 수 있는가?
• RQ5 고차원 이차형 역문제에서 비볼록 솔버의 신뢰성 있는 수렴을 가능하게 하는 초기화 전략은 무엇인가?

주요 결과

• 제안된 볼록 최적화 방법은 r에 대해 선형으로 증가하는 측정 스케일링을 통해 이론적 자유도와 일치하는 강건한 복원을 달성한다.
• 수치 결과는 볼록 접근법의 단계 전이가 ρ ≈ 2.75에서 발생함을 보여주며, 여기서 ρ = L / ∑(K_i + N_i)이며, 이는 이 임계값 이상에서 성공적인 복원을 의미한다.
• 비볼록 위팅거 플로우 접근법은 더 큰 r에 대해 ρ ≈ 1.17에서 유의미하게 더 좋은 단계 전이를 달성하여 뛰어난 실증 성능을 보여준다.
• 스펙트럼 초기화 방법은 효과적으로 좋은 초기값을 제공하여 비볼록 최적화 방법의 수렴을 가능하게 한다.
• 볼록 방법의 성공률은 r에 거의 영향을 받지 않으며, 반면 비볼록 방법은 r이 증가함에 따라 더 나은 스케일링을 보인다.
• 두 방법 모두 필요한 측정 수가 r에 대해 선형으로 증가함을 확인하여 제안된 프레임워크의 이론적 최적성에 대한 검증을 제공한다.