[논문 리뷰] Complex Trainable ISTA for Linear and Nonlinear Inverse Problems

Satoshi Takabe, Tadashi Wadayama외 1명|arXiv (Cornell University)|2019. 04. 16.

Sparse and Compressive Sensing Techniques참고 문헌 25인용 수 6

한 줄 요약

이 논문은 위르팅어 도함수와 학습 가능한 복소수 스 hrinkage 함수를 사용하여 복소수 비선형 역문제를 위한 딥 언폴딩 기반 알고리즘인 복소수 학습 가능한 ISTA(C-TISTA)를 제안한다. C-TISTA는 빠른 수렴성과 오직 4T개의 학습 가능한 파rameter만을 사용하여 압축 측정 및 잘린 OFDM 검출에서 기존 방법들을 능가하는 뛰어난 신호 복구 성능을 달성한다.

ABSTRACT

Complex-field signal recovery problems from noisy linear/nonlinear measurements appear in many areas of signal processing and wireless communications. In this paper, we propose a trainable iterative signal recovery algorithm named complex-field TISTA (C-TISTA) which treats complex-field nonlinear inverse problems. C-TISTA is based on the concept of deep unfolding and consists of a gradient descent step with the Wirtinger derivatives followed by a shrinkage step with a trainable complex-valued shrinkage function. Importantly, it contains a small number of trainable parameters so that its training process can be executed efficiently. Numerical results indicate that C-TISTA shows remarkable signal recovery performance compared with existing algorithms.

연구 동기 및 목표

• 기존 딥 언폴딩 방법이 복소수 비선형 역문제를 다루는 데에 한계가 있음을 해결한다.
• 복소수 신호 상관관계를 파괴하는 실수값 변환으로 인한 성능 저하를 극복한다.
• 최소한의 학습 가능한 파rameter로 복소수 영역의 신호 복구를 위한 확장 가능하고 안정적인 훈련 프레임워크를 개발한다.
• 증폭 잘림 OFDM 및 복소수 압축 측정과 같은 비선형 시스템에서 효과적인 복구를 가능하게 한다.
• 위르팅어 미적분과 학습 가능한 복소수 스 hrinkage 함수를 통합하여 기존 방법보다 수렴성과 정확도를 향상시킨다.

제안 방법

• C-TISTA는 복소수 이터레이티브 소프트 스 hrinkage 알고리즘(ISTA)을 위르팅어 도함수를 사용한 복소수 기울기 계산을 통해 딥 언폴딩하여 유도된다.
• 알고리즘은 복소수 헤시안과 위르팅어 도함수를 사용하여 신호 추정치를 갱신하기 위해 기울기 하강법 단계를 수행한다.
• 고정된 소프트 스 hrinkage 대신 학습 가능한 복소수 스 hrinkage 함수를 도입하여 신호 통계와 비선형성에 적응할 수 있도록 한다.
• 반복 단계 간에 가중치를 공유함으로써 총 4T개의 학습 가능한 파rameter로만 구성되어 훈련 효율성과 안정성을 확보한다.
• 스 hrinkage 함수는 레이블이 부여된 훈련 데이터를 사용하여 역전파와 확률적 경사 하강법을 통해 최적화된다.
• 증폭 잘림과 같은 비선형 관측 모델은 함수 $ f_c(z) $ 를 통해 직접 모델링되며, 네트워크는 왜곡을 보상하기 위해 학습한다.

실험 결과

연구 질문

• RQ1 딥 언폴딩 프레임워크는 실수값 표현으로 변환하지 않고도 복소수 비선형 역문제를 효과적으로 다룰 수 있는가?
• RQ2 위르팅어 도함수와 복소수 학습 가능한 스 hrinkage 함수의 사용이 실수값 또는 고정 임계값 방법에 비해 신호 복구 성능을 어떻게 향상시키는가?
• RQ3 잘린 OFDM와 같은 비선형 시스템에서 C-TISTA는 기존 검출기 및 실수값 딥러닝 방법에 비해 어떤 성능 향상을 보이는가?
• RQ4 C-TISTA의 학습 가능한 파rameter 수는 기존 딥 언폴딩 모델 대비 훈련 안정성과 수렴 속도에 어떤 영향을 미치는가?
• RQ5 C-TISTA는 OFDM 시스템에서 증폭 잘림으로 인한 신호 왜곡을 어느 정도 보상할 수 있는가?

주요 결과

• C-TISTA는 복소수 압축 측정에서 8회 반복 시 약 -26 dB의 정규화된 MSE를 달성하여 AMP, CAMP 및 C-LISTA를 크게 능가한다.
• C-TISTA는 C-LISTA보다 더 빠른 수렴 속도를 보이며, 6회 반복 시에만 -25 dB MSE에 도달한다. 반면 C-LISTA는 더 많은 반복과 더 높은 파rameter 수를 필요로 한다.
• 16-QAM 잘린 OFDM 시스템에서 PAPR가 5 dB일 경우, C-TISTA는 SER = 1.0×10⁻³일 때 DFT 및 C-TISTA(선형)보다 2 dB의 SNR 이득을 확보한다.
• 1.5 dB PAPR일 경우, C-TISTA의 선형 방법 대비 성능 향상은 더욱 두드러지며, 비선형 왜곡에 대한 효과적인 보상이 이루어지고 있음을 시사한다.
• C-TISTA는 다양한 SNR 및 PAPR 수준에서도 MSE 성능을 높은 정확도로 유지하여 비선형 신호 검출에서의 강건성을 입증한다.
• 오직 4T개의 학습 가능한 파rameter만을 가진 C-TISTA는 $ n^2 + nm + T $ 개의 파rameter를 가진 C-LISTA보다 더 뛰어난 수렴성과 최종 성능을 달성하여 훈련 효율성과 확장성의 우수성을 입증한다.