[논문 리뷰] Complex Exponential Signal Recovery with Deep Hankel Matrix Factorization

Yihui Huang, Jinkui Zhao외 3명|arXiv (Cornell University)|2020. 07. 13.

Statistical and numerical algorithms참고 문헌 1인용 수 1

한 줄 요약

이 논문은 모델 기반의 저질서 헨켈 행렬 분해의 반복적 과정을 딥 러닝으로 전개하여, 부족한 샘플링 데이터로부터 복소 지수 신호를 복원하는 방법을 제안한다. 최첨단 모델 기반 방법으로부터 유도된 인덕티브 바이어스를 딥 네트워크에 통합함으로써, 이 방법은 딥 러닝 및 모델 기반 기준선들보다 훨씬 낮은 재구성 오차와 더 빠른 추론 성능을 달성한다. 특히 스펙트럼 파rameter 정확도와 속도 측면에서 뛰어나다.

ABSTRACT

Exponential is a basic signal form and how to fast acquire these signals is one of the fundamental problems and frontiers in signal processing. To achieve this goal, partial data may be acquired but result in the serious artifacts in its spectrum, which is the Fourier transform of exponentials. Thus, reliable spectrum reconstruction is highly expected in the fast sampling in many applications, such as chemistry, biology, and medical imaging. In this work, we propose a deep learning method whose neural network structure is designed by unrolling the iterative process in the model-based state-of-the-art exponentials reconstruction method with low rank Hankel matrix factorization. With the experiments on synthetic and realistic biological signals, we demonstrate that the new method yields much lower reconstruction errors and more accuracy in spectrum parameter quantification than another state-of-the-art deep learning method, while costs much less time than the model-based reconstruction methods.

연구 동기 및 목표

• 기존 방법들이 스펙트럼 아티팩트를 유발하는 고도로 부족한 샘플링 데이터에서 복소 지수 신호를 복원하는 데 도전하는 데 목적을 두며.
• 화학, 생물학 및 의료 영상에서 흔한 빠른 샘플링 환경에서의 스펙트럼 재구성 정확도를 향상시키기 위해.
• 모델 기반의 저질서 헨켈 행렬 분해의 인덕티브 바이어스를 딥 러닝과 융합하여 더 나은 일반화 능력과 효율성을 확보하기 위해.
• 정확도를 유지하거나 향상시키면서도 모델 기반 방법보다 더 빠른 재구성 시간을 달성하기 위해.

제안 방법

• 최첨단 모델 기반 저질서 헨켈 행렬 분해 알고리즘의 반복 최적화 단계를 딥 네트워크로 전개하여 신경망 아키텍처를 설계한다.
• 헨켈 행렬의 질서 최소화 수학적 제약 조건을 네트워크 구조에 통합하여 신호 구조를 유지하고 아티팩트를 줄인다.
• 합성 및 실제 생물학적 신호에서 엔드 투 엔드로 훈련하여, 부족한 샘플링 데이터에서 전체 스펙트럼 신호로의 매핑을 학습한다.
• 지수 신호에서 유도된 헨켈 행렬의 저질서 성질을 활용하여 재구성 정밀도를 향상시킨다.
• 모델 기반 방법의 인덕티브 바이어스와 딥 러닝의 표현 능력을 균형 잡아 더 나은 일반화 능력을 확보한다.

실험 결과

연구 질문

• RQ1 모델 기반 반복 알고리즘을 딥 네트워크로 전개함으로써, 복소 지수 신호의 재구성 정확도를 향상시킬 수 있는가?
• RQ2 제안된 방법은 모델 기반 및 딥 러닝 기반 재구성 방법과 비교해 속도와 정확도 측면에서 어떻게 성능을 내는가?
• RQ3 헨켈 행렬의 저질서 구조를 통합함으로써, 샘플링이 제한된 환경에서 스펙트럼 파rameter 정량화에 얼마나 기여하는가?
• RQ4 딥 러닝과 모델 기반 접근의 융합된 방법이 실제 생물학적 신호에 잘 일반화되는가?

주요 결과

• 제안된 방법은 합성 및 실제 생물학적 신호에서 최첨단 딥 러닝 방법보다 유의미하게 낮은 재구성 오차를 달성한다.
• 특히 밀도가 높은 지수 성분들을 정확히 분리함으로써 더 정확한 스펙트럼 파rameter 정량화를 제공한다.
• 모델 기반 재구성 기법보다 상당히 빠른 속도를 보이며, 정확도를 유지하면서도 계산 시간을 단축시킨다.
• 모델 기반 인덕티브 바이어스를 딥 네트워크 아키텍처에 통합함으로써, 실제 생물학적 데이터에서 더 나은 일반화 능력과 강건성을 확보한다.