[논문 리뷰] Fast Marginalized Block Sparse Bayesian Learning Algorithm

Benyuan Liu, Zhilin Zhang외 2명|arXiv (Cornell University)|2012. 11. 21.

Sparse and Compressive Sensing Techniques참고 문헌 12인용 수 7

한 줄 요약

이 논문은 신호 내 블록 스parserity와 블록 내 상관관계를 활용하기 위해 빠른 최대 우도 최적화(Fast Marginalized Likelihood Maximization, FMLM)를 적용한 빠른 마진화된 블록 희소 베이지안 학습(BSBL) 알고리즘을 제안한다. 이는 기존 BSBL 방법들과 유사한 복원 성능를 보이지만 계산 시간을 크게 줄여 대규모 및 실시간 응용 분야(예: 생리 신호 원격 모니터링)에 매우 적합하다.

ABSTRACT

The performance of sparse signal recovery from noise corrupted, underdetermined measurements can be improved if both sparsity and correlation structure of signals are exploited. One typical correlation structure is the intra-block correlation in block sparse signals. To exploit this structure, a framework, called block sparse Bayesian learning (BSBL), has been proposed recently. Algorithms derived from this framework showed superior performance but they are not very fast, which limits their applications. This work derives an efficient algorithm from this framework, using a marginalized likelihood maximization method. Compared to existing BSBL algorithms, it has close recovery performance but is much faster. Therefore, it is more suitable for large scale datasets and applications requiring real-time implementation.

연구 동기 및 목표

• 기존 블록 희소 베이지안 학습(BSBL) 알고리즘의 계산 비효율성을 해결하여 대규모 또는 실시간 응용 분야에서의 활용을 가능하게 하기 위해.
• 블록 스퍼스리티와 블록 내 상관관계를 동시에 활용할 수 있는 빠르면서도 정확한 알고리즘을 개발하기 위해.
• 압축 측정 기반의 생리 신호 원격 모니터링(예: 태반 심전도)을 효율적으로 가능하게 하기 위해 계산 부담을 줄이고 복원 품질을 손상시키지 않기 위해.
• 부족한 측정값과 노이즈가 있는 상황에서도 고속으로 신호를 복원할 수 있는 확장 가능한 솔루션을 제공하기 위해.

제안 방법

• 잠재 변수를 통합함으로써 매개변수 추정을 단순화하는 빠른 마진화 최대 우도 최적화(FMLM)를 적용하여 BSBL 프레임워크 기반의 새로운 알고리즘을 유도한다.
• 각 블록이 스케일링 인자 $\gamma_i$와 상관행렬 $\mathbf{B}_i$로 매개변수화된 블록 대각 행렬 구조를 사용하여 블록 내 상관관계를 모델링한다.
• 비용 함수 $\mathcal{L} = \log|\mathbf{C}| + \mathbf{y}^T\mathbf{C}^{-1}\mathbf{y}$ 를 사용하여 Type II 최대우도 추정을 시행하며, $\mathbf{C} = \beta^{-1}\mathbf{I} + \bm{\Phi}\bm{\Gamma}\bm{\Phi}^T$ 이다. 이는 $\gamma_i$, $\mathbf{B}_i$, 노이즈 정밀도 $\beta$ 를 반복적으로 갱신한다.
• 저랭크 업데이트와 블록 단위 최적화를 통해 효율적인 행렬 역행렬 계산 및 추적 계산을 구현하여 수렴 속도를 가속화한다.
• 먼저 신호를 희소 도메인(예: DCT 도메인)으로 변환한 후, $\mathbf{y} = \bm{\Phi}\mathbf{D}\bm{\theta}$ 를 사용하여 계수를 복원함으로써 압축 측정 문제에 알고리즘을 적용한다.

실험 결과

연구 질문

• RQ1 계산 비용을 크게 줄이면서도 높은 복원 성능를 유지하는 빠르고 정확한 BSBL 알고리즘을 개발할 수 있는가?
• RQ2 블록 스퍼스리티만 고려하는 방법과 비교해 블록 내 상관관계를 고려함으로써 신호 복원 성능는 어떻게 향상되는가?
• RQ3 제안된 FMLM 기반 알고리즘이 합성 및 실세계 데이터셋에서 기존 BSBL 방법들보다 속도와 정확도 측면에서 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 제안된 알고리즘이 태반 심전도와 같은 생리 신호의 실시간 원격 모니터링을 압축 측정 기반으로 실현할 수 있는가?

주요 결과

• 제안된 BSBL-FM 알고리즘은 합성 데이터에서 BSBL-BO 및 BSBL-ℓ₁와 거의 동일한 복원 성능를 보이며, NMSE에서 약간의 감소만을 보였다.
• 다양한 신호 길이 $N$ 을 가진 합성 데이터셋에서 제안된 알고리즘이 BSBL-BO 및 BSBL-ℓ₁보다 훨씬 빠르며, $N$ 이 증가함에 따라 CPU 시간 증가 폭이 더 작았다.
• 태반 심전도 원격 모니터링 실험에서 제안된 알고리즘은 VBGS 및 Group-BP보다 낮은 NMSE를 기록했으며, ICA 분해된 FECG 신호가 원본과 구분되지 않을 정도로 정밀하게 복원되었다.
• BSBL-BO보다 약간 높은 NMSE를 보였지만, 제안된 알고리즘은 상당히 더 빠르며, 다른 BSBL 변종들보다 총 CPU 시간이 크게 낮았다.
• ICA 분해 이후에도 깨끗한 태반 심전도 신호를 성공적으로 복원하여 실제 생물의학 응용 분야에서의 강건성과 정밀도를 입증했다.
• 상관행렬 $\mathbf{B}_i$ 를 통한 블록 내 상관관계 모델링이 상관관계를 忽시하는 방법보다 복원 정확도를 향상시켰으며, BSBL-FM(1) 및 BSBL-FM(2)의 성능이 BSBL-FM(0)보다 뛰어나게 나타났다.