[논문 리뷰] Efficient Noise-Blind 𝓁 1 -Regression of Nonnegative Compressible Signals.

Hendrik Bernd Petersen, Bubacarr Bah외 1명|arXiv (Cornell University)|2020. 03. 29.

Sparse and Compressive Sensing Techniques참고 문헌 18인용 수 1

한 줄 요약

이 논문은 이진 확장자 행렬을 사용하여 비음수 압축 가능 신호의 노이즈 무관 복원을 위한 비음수 최소 절대 편차(NNLAD)를 제안한다. $ε$-강건한 영공간 성질 하에서 균일하고 안정적이며 강건한 복원 보장을 수립함으로써, 효율적인 희소 스케치링과 복원이 가능하며, 특히 피크형 노이즈 모델을 가진 팬데믹 기간의 군집 테스팅에 매우 유용하다.

ABSTRACT

In compressed sensing the goal is to recover a signal from as few as possible noisy, linear measurements. The general assumption is that the signal has only a few non-zero entries. Given an estimate for the noise level a common convex approach to recover the signal is basis pursuit denoising (BPDN). If the measurement matrix has the robust null space property with respect to the $\ell_2$-norm, BPDN obeys stable and robust recovery guarantees. In the case of unknown noise levels, nonnegative least squares recovers non-negative signals if the measurement matrix fulfills an additional property (sometimes called the $M^+$-criterion). However, if the measurement matrix is the biadjacency matrix of a random left regular bipartite graph it obeys with a high probability the null space property with respect to the $\ell_1$-norm with optimal parameters. Therefore, we discuss non-negative least absolute deviation (NNLAD). For these measurement matrices, we prove a uniform, stable and robust recovery guarantee. Such guarantees are important, since binary expander matrices are sparse and thus allow for fast sketching and recovery. We will further present a method to solve the NNLAD numerically and show that this is comparable to state of the art methods. Lastly, we explain how the NNLAD can be used for group testing in the recent COVID-19 crisis and why contamination of specimens may be modeled as peaky noise, which favors $\ell_1$ based data fidelity terms.

연구 동기 및 목표

• 노이즈 수준이 알려져 있지 않을 때 비음수 압축 가능 신호를 복원하는 문제를 다루기 위해.
• 노이즈 크기의 사전 지식 없이도 안정성과 정확성을 유지하는 강건하고 노이즈 무관 복원 방법을 개발하기 위해.
• 이진 확장자 행렬의 구조적 특성(예: 왼쪽 정규 이분할 그래프)을 활용하여 빠르고 희소한 스케치링과 효율적인 복원을 위해.
• ²-노름에 대한 $ε$-강건한 영공간 성질에 기반하여 NNLAD에 대한 이론적 보장을 수립하기 위해.
• 수치적 방법과 실제 응용(예: 코로나19 팬데믹 기간의 군집 테스팅)을 통해 NNLAD의 실용적 타당성을 입증하기 위해.

제안 방법

• 기저 추적 노이즈 제거(BPDN)의 노이즈 무관 대체로 비음수 최소 절대 편차(NNLAD)를 제안하며, 데이터 적합성에 ²-노름을 사용한다.
• 이진 확장자 행렬이 고도로 최적의 파rameter로 $ε$-강건한 영공간 성질를 높은 확률로 만족함을 입증한다.
• NNLAD 프레임워크 하에서 비음수 신호 복원을 보장하기 위해 $M^+$-기준을 사용한다.
• 강건한 영공간 성질을 적용하여 NNLAD에 대한 균일하고 안정적이며 강건한 복원 보장을 유도한다.
• 상태 기술 수준의 방법과 비교하여 효율적으로 NNLAD 문제를 해결할 수 있는 수치 알고리즘을 개발한다.
• 군집 테스팅에서 샘플 오염을 피크형 노이즈로 모델링하며, NNLAD와 같은 ²-기반 데이터 적합성 항목이 유리하다.

실험 결과

연구 질문

• RQ1 NNLAD는 노이즈 수준을 사전에 알지 못하더라도 비음수 압축 가능 신호의 안정적이고 강건한 복원을 달성할 수 있는가?
• RQ2 왼쪽 정규 이분할 그래프에서 유도된 이진 확장자 행렬은 최적의 파rameter로 $ε$-강건한 영공간 성질을 만족하는가?
• RQ3 정확성과 효율성 측면에서 기존 최첨단 복원 방법과 비교해 NNLAD는 수치적으로 어떻게 성능을 내는가?
• RQ4 NNLAD는 예를 들어 풀링 테스팅에서의 샘플 오염과 같은 피크형 노이즈를 포함하는 군집 테스팅 상황에 효과적으로 적용될 수 있는가?
• RQ5 $ε$-강건한 영공간 성질 프레임워크 하에서 NNLAD에 대해 어떤 이론적 보장을 수립할 수 있는가?

주요 결과

• NNLAD는 노이즈 수준이 알려져 있지 않더라도 비음수 압축 가능 신호의 균일하고 안정적이며 강건한 복원을 달성한다.
• 랜덤 왼쪽 정규 이분할 그래프에서 유도된 이진 확장자 행렬은 높은 확률로 최적의 파rameter로 $ε$-강건한 영공간 성질을 만족한다.
• ²-노름에 대한 강건한 영공간 성질을 기반으로 NNLAD에 대한 이론적 보장을 도출하였으며, 이는 안정성과 강건성을 보장한다.
• 수치적 결과는 제안된 NNLAD 솔버가 복원 정확성과 효율성 측면에서 최첨단 방법과 유사한 성능을 보임을 보여준다.
• 이 방법은 특히 샘플 오염이 있는 풀링 SARS-CoV-2 테스팅과 같은 피크형 노이즈 상황에서의 군집 테스팅 응용에 적합하다.
• NNLAD에서 ²-기반 데이터 적합성의 사용은 오염을 희소하고 고강도의 노이즈로 모델링하는 데 유리하다.