[논문 리뷰] Deterministic Sampling of Sparse Trigonometric Polynomials

Zhiqiang Xu|arXiv (Cornell University)|2010. 06. 11.

Mathematical Analysis and Transform Methods참고 문헌 15인용 수 9

한 줄 요약

이 논문은 Weil의 지수합을 사용하여 희박한 다변수 삼각다항식에 대한 결정론적 샘플링 방법을 제시하며, 소수 크기의 샘플 집합이 $(M\log D)^2$를 초과할 경우 OMP를 통해 정확한 복원을 가능하게 한다. 이 방법은 통계적 제한 이sov메트리성질(StRIP)을 보장하고 거의 최적의 그라스만 프레임을 얻으며, 고정된 차수를 가진 모든 $M$-희박 신호에 대해 정확한 재구성 보장을 한다.

ABSTRACT

One can recover sparse multivariate trigonometric polynomials from few randomly taken samples with high probability (as shown by Kunis and Rauhut). We give a deterministic sampling of multivariate trigonometric polynomials inspired by Weil's exponential sum. Our sampling can produce a deterministic matrix satisfying the statistical restricted isometry property, and also nearly optimal Grassmannian frames. We show that one can exactly reconstruct every $M$-sparse multivariate trigonometric polynomial with fixed degree and of length $D$ from the determinant sampling $X$, using the orthogonal matching pursuit, and $# X$ is a prime number greater than $(M\log D)^2$. This result is almost optimal within the $(\log D)^2 $ factor. The simulations show that the deterministic sampling can offer reconstruction performance similar to the random sampling.

연구 동기 및 목표

• 확률적 보장을 의존하지 않고도 모든 $M$-희박한 다변수 삼각다항식을 정확히 복원할 수 있는 결정론적 샘플링 체계를 개발하는 것.
• 낮은 공액성과 강력한 등장성 성질을 가진 샘플링 행렬을 구축하여, 특히 통계적 제한 이sov메트리성질(StRIP)을 만족시키는 것.
• 결정론적 구성 방법을 통해 거의 최적의 그라스만 프레임을 달성하여 기존의 크기 제약이 심한 결정론적 감지 행렬보다 향상된 성능을 내는 것.
• 시뮬레이션을 통해 결정론적 샘플링이 OMP 및 기저 추적(Basis Pursuit)에서 랜덤 샘플링과 동등한 재구성 정확도를 보이는 것을 입증하는 것.

제안 방법

• 소수인 $N$에 대해 $j=1,\dots,N$에 대해 $x_j = (j, j^2, \dots, j^d)/N \mod 1$로 샘플링 점을 구성하여 결정론적 샘플링 집합 $X$를 형성한다.
• 입력 요소 $(\tilde{\mathcal{F}}_X)_{j,k} = \exp(2\pi i k \cdot x_j)$를 가진 샘플링 행렬 $\tilde{\mathcal{F}}_X$를 정의하며, 지수합의 경계를 통해 구조적 공액성을 확보한다.
• 정규화된 행렬 $\tilde{\Phi} = \tilde{\mathcal{F}}_X / \sqrt{N}$의 상호 공액성이 $(d-1)/\sqrt{N}$ 이하로 유계임을 증명하여, 제시된 샘플 크기 조건 하에서 OMP 복원이 안정적으로 가능함을 보장한다.
• 지수합 추정 및 공액성 경계를 활용하여, 행렬이 순서 $\delta^2 N / (8\log D) \cdot (\log(D/N)/\log N)^2$의 StRIP를 높은 확률로 만족함을 확립한다.
• Weil의 지수합과 행렬의 비공액성 간의 관계를 활용하여 거의 최적의 그라스만 프레임 성질을 보장한다.
• 합성된 희박한 삼각다항식에 대해 OMP 및 기저 추적을 사용하여 결정론적 및 랜덤 샘플링을 비교하는 수치 실험을 통해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 OMP를 사용하여 모든 $M$-희박한 다변수 삼각다항식을 정확히 복원할 수 있는 결정론적 샘플링 체계를 구성할 수 있는가?
• RQ2 결정론적 복원을 위한 최소 샘플 수는 얼마이며, 이는 최적의 랜덤 샘플링 기준과 어떻게 비교되는가?
• RQ3 결정론적 샘플링 행렬이 유리한 파rameter를 가진 통계적 제한 이sov메트리성질(StRIP)을 만족할 수 있는가?
• RQ4 결정론적 행렬의 공액성 및 프레임 잠재력은 Welch의 경계 및 최적의 그라스만 프레임과 어떻게 비교되는가?

주요 결과

• 샘플 수 $N$이 $(M\log D)^2$를 초과하는 소수일 경우, OMP를 사용하여 모든 $M$-희박한 삼각다항식의 정확한 복원이 보장된다.
• 샘플링 행렬의 상호 공액성은 $(d-1)/\sqrt{N}$ 이하로 유계이며, 이는 제시된 샘플 크기 조건 하에서 안정적인 OMP 복원을 보장한다.
• 행렬는 확률 $1 - 1/D$로 순서 $\delta^2 N / (8\log D) \cdot (\log(D/N)/\log N)^2$의 통계적 제한 이sov메트리성질(StRIP)을 만족한다.
• 행렬는 상호 비공액성이 Welch 경계 $1/\sqrt{N}$에 가까워지므로 거의 최적의 그라스만 프레임 성질을 달성한다.
• 수치 실험 결과, 결정론적 샘플링 방법은 OMP 및 기저 추적 모두에서 랜덤 샘플링과 동등한 재구성 성공률을 보였다.
• 이 방법은 이론적 하한값에 $(\log D)^2$ 요소 이내로 접근하는 이론적 보장을 제공하는 결정론적 랜덤 샘플링의 대안을 제공한다.