[논문 리뷰] Compressed Sensing from Phaseless Gaussian Measurements via Linear Programming in the Natural Parameter Space

Paul Hand, Vladislav Voroninski|arXiv (Cornell University)|2016. 11. 18.

Sparse and Compressive Sensing Techniques참고 문헌 19인용 수 21

한 줄 요약

이 논문은 자연 매개변수 공간에서 단서 없는 가우시안 측정값을 통한 압축 감지에 대한 선형 프로그래밍 방법인 SparsePhaseMax를 제안한다. 초기화가 $k$-희소 신호와 상관관계가 있을 경우, 높은 확률로 전역 부호를 제외한 신호를 복원할 수 있으며, 이는 $O(k\log(n/k))$ 측정값을 사용할 때 최적의 샘플 복잡도를 달성하는 것으로, 이 설정에서 처음으로 이루어진다.

ABSTRACT

We consider faithfully combining phase retrieval with classical compressed sensing. Inspired by the recent novel formulation for phase retrieval called PhaseMax, we present and analyze SparsePhaseMax, a linear program for phaseless compressed sensing in the natural parameter space. We establish that when provided with an initialization that correlates with an arbitrary $k$-sparse $n$-vector, SparsePhaseMax recovers this vector up to global sign with high probability from $O(k \log \frac{n}{k})$ magnitude measurements against i.i.d. Gaussian random vectors. Our proof of this fact exploits a curious newfound connection between phaseless and 1-bit compressed sensing. This is the first result to establish bootstrapped compressed sensing from phaseless Gaussian measurements under optimal sample complexity.

연구 동기 및 목표

• 단서 없는 측정값에서 희소 신호를 복원하는 문제에 대응하기 위해, 이는 단서 없는 압축 감지에서 흔한 문제이다.
• 기존의 볼록 릿지 방법인 PhaseLift와 같은 방법들보다 높은 샘플 복잡도를 가지는 것을 피하기 위해 계산적으로 효율적인 방법을 개발하기 위해.
• 단서 없는 압축 감지 환경에서 최적의 샘플 복잡도로 신호 복원에 대한 이론적 보장을 수립하기 위해.
• 정보 이론적 한계와 실용적 알고리즘 사이의 격차를 메우기 위해, $O(k\log(n/k))$ 측정값으로 복원 가능함을 증명하기 위해.
• 자연 매개변수 공간에서의 선형 프로그래밍이 관련 초기화와 조합될 경우 최적의 성능을 달성할 수 있음을 보여주기 위해.

제안 방법

• 관측된 크기 측정값 기반의 제약 조건을 만족시키면서 관련 초기화 벡터 $\phi$와의 내적을 최대화하는 선형 프로그래밍인 SparsePhaseMax를 제안한다.
• 해결책의 희소성을 증진하기 위해 파rameter $\lambda$를 사용한 $\ell_1$-정규화를 적용하여, 초기화와의 일치성과 측정값 범위 준수 사이의 균형을 이룬다.
• 각 측정 벡터 $a_i$에 대해 제약 조건 $-|\langle a_i, x_0\rangle| \leq \langle a_i, x\rangle \leq |\langle a_i, x_0\rangle|$를 도입하여, 해가 단서 없는 관측값과 일관성을 유지하도록 보장한다.
• 단서 없는 압축 감지와 1비트 압축 감지 사이의 새로운 연결 고리를 활용하여 확률적 복원 보장을 유도한다.
• 이중성 원리를 통한 분석을 통해 진짜 신호에서의 유일한 타당 방향 $h$는 0이어야 하며, 이는 유일성의 의미를 갖는다.
• 집중 부등식과 랜덤 행렬 이론을 사용하여 실패 확률의 상한을 구하고, 제시된 샘플 복잡도 하에서 높은 확률로 복원 가능함을 도출한다.

실험 결과

연구 질문

• RQ1 자연 매개변수 공간에서의 선형 프로그래밍은 단서 없는 압축 감지에서 희소 신호에 대해 최적의 샘플 복잡도를 달성할 수 있는가?
• RQ2 리프팅 없이 볼록 최적화 방법을 사용해 $O(k\log(n/k))$의 단서 없는 가우시안 측정값에서 $k$-희소 신호를 복원할 수 있는가?
• RQ3 초기화 벡터와 진짜 신호 사이의 상관관계가 복원 성능과 샘플 복잡도에 어떤 영향을 미치는가?
• RQ4 희소 신호의 비영원 성분의 크기가 유한하다는 가정 없이도 이론적 보장은 확보할 수 있는가?
• RQ5 $\ell_1$-정규화 파rameter $\lambda$는 단서 없는 측정값 하에서 정확한 복원을 보장하는 데 어떤 역할을 하는가?

주요 결과

• SparsePhaseMax는 $m = O(k\log(n/k))$의 단서 없는 가우시안 측정값에서 $k$-희소 신호 $x_0$를 높은 확률로 전역 부호를 제외하고 복원한다.
• 초기화 벡터 $\phi$가 정규화된 신호 $x_0/\|x_0\|_2$와 상관계수가 $\alpha > 0$ 이상이면 복원이 보장되며, $\lambda$는 구간 $(\frac{1}{2}\frac{\alpha}{\sqrt{k}}, \frac{3}{4}\frac{\alpha}{\sqrt{k}})$ 내에서 선택되어야 한다.
• 이 방법은 최적의 샘플 복잡도를 달성하여 정보 이론적 하한선과 로그 인자만을 제외하고 일치한다.
• 실패 확률은 $1 - C_2 e^{-c\alpha^{-2/5} m^{4/5} k^{1/5}}$로 지수적으로 감소하며, $\alpha$가 상한을 갖는 경우 $1 - C_2 e^{-ck}$로 단순화된다.
• 증명 과정에서 단서 없는 압축 감지와 1비트 압축 감지 사이의 새로운 연결 고리를 확립하여 더 날카운 농도 상한을 가능하게 하였다.
• 이 결과는 $x_0$의 비영원 성분이 일정한 크기를 가져야 한다는 제약 조건 없이도 성립하므로, 이전 연구에서의 제한적인 가정을 제거하였다.