[논문 리뷰] Infinite-dimensional compressed sensing and function interpolation

Ben Adcock|arXiv (Cornell University)|2015. 09. 20.

Sparse and Compressive Sensing Techniques참고 문헌 41인용 수 4

한 줄 요약

이 논문은 가중치가 부여된 ℓ¹ 최소화를 사용하여 함수 보간을 위한 무한차원 압축 측정 프레임워크를 제안한다. 이는 전개 尾의 사전 경계가 필요 없이 증명 가능하게 보간 가능한 근사치를 가능하게 한다. 하향 집합을 통한 계수의 구조적 희박성에 기반하여 다변수 다항식 근사에서 최적의 측정 횟수를 확보할 수 있는 날카운 복구 보장을 수립한다.

ABSTRACT

We introduce and analyze a framework for function interpolation using compressed sensing. This framework - which is based on weighted $\ell^1$ minimization - does not require a priori bounds on the expansion tail in either its implementation or its theoretical guarantees, and in the absence of noise leads to genuinely interpolatory approximations. We also establish a new recovery guarantee for compressed sensing with weighted $\ell^1$ minimization based on this framework. This guarantee has several key benefits. First, unlike existing results, it is sharp (up to constants and log factors) for large classes of functions regardless of the choice of weights. Second, by examining the measurement condition in the recovery guarantee, we are able to suggest a good overall strategy for selecting the weights. In particular, when applied to the important case of multivariate approximation with orthogonal polynomials, this weighting strategy leads to provably optimal estimates on the number of measurements required, whenever the support set of the significant coefficients is a so-called lower set. Finally, this guarantee can also be used to theoretically confirm the benefits of alternative weighting strategies where the weights are chosen based on prior support information. This provides a theoretical basis for a number of recent numerical studies showing the effectiveness of such approaches.

연구 동기 및 목표

• 제한된 점별 샘플로부터 고차원이고 부드러운 함수를 압축 측정을 통해 근사화하는 데 도전하는 것.
• 기존의 압축 측정 접근법이 전개 尾의 사전 경계가 필요하거나 무한차원 함수 공간을 다루지 못하는 한계를 극복하는 것.
• 전체 전개 尾을 잘라내지 않고도 진정으로 보간 가능한 근사치를 가능하게 하는 이론적으로 탄탄한 프레임워크를 개발하는 것.
• 다변수 다항식 근사에서 측정 횟수를 최소화하는 데 최적의 가중치 전략을 규명하는 것.
• 기존의 경험적 성공을 보인 지원 인식 가중치 전략에 대한 이론적 근거를 제공하는 것.

제안 방법

• 이산화 이전에 무한차원 공간에서 가중치가 부여된 ℓ¹ 최소화로 함수 근사 문제를 수립한다.
• 일반적인 가중치를 고려한 무한차원 설정에 적응된 새로운 복구 보장(골프링 스킴 기반)을 사용한다.
• 복구 보장이 큰 범주에 걸쳐서 상수와 로그 인자 수준에서 날카로워지는 조건을 도출한다.
• 특히 계수 지지 집합이 하향 집합을 이룰 경우에 효과적인, 측정 횟수를 최소화하는 가중치 전략을 도입한다.
• 추상적인 복구 보장을 적용하여 지원 인식 가중치 전략을 검증하고 경험적 관찰에 대한 이론적 뒷받침을 제공한다.
• 집중 부등식과 확률적 추론을 활용하여 복구 과정에서의 실패 확률을 근사한다.

실험 결과

연구 질문

• RQ1 확장 尾을 잘라내지 않고도 압축 측정을 무한차원 함수 공간으로 효과적으로 확장할 수 있는가?
• RQ2 다변수 함수 근사에서 측정 횟수를 최소화하는 데 최적의 가중치 전략은 무엇인가?
• RQ3 특히 계수 지지 집합이 하향 집합인 구조적 희박성을 어떻게 활용하여 최적의 샘플링 복잡도를 달성할 수 있는가?
• RQ4 기존에 경험적으로 성공한 지원 인식 가중치 전략에 대해 이론적 보장을 확보할 수 있는가?
• RQ5 제안된 프레임워크는 노이즈가 없는 상황에서 진정으로 보간 가능한 근사치를 도출하는가?

주요 결과

• 제안된 프레임워크는 노이즈가 없는 경우에 보간 가능한 근사치를 달성하며, 잘라낸 접근 방식에 비해 뚜렷한 이점이 있다.
• 이전 결과들이 특정 영역에서 비최적임에 비해, 다양한 함수와 가중치에 대해 복구 보장이 날카로워진다(상수와 로그 인자 수준에서).
• 직교 다항식 기저를 사용한 다변수 근사에서, 계수 지지 집합이 하향 집합일 경우 제안된 가중치 전략이 측정 횟수를 증명 가능하게 최적화한다.
• 이 프레임워크는 지원 인식 가중치 전략에 대한 이론적 근거를 처음으로 제공하며, 실무에서의 이점이 확인된다.
• 하향 집합 가정 하에 측정 복잡도가 차원의 저주를 완화함을 보여주며, 근사 최적의 샘플링 속도를 달성한다.
• 이론적 분석을 통해 측정 횟수가 하향 집합 조건 하에서 희박성과 차원성에 대해 최적의 비율로 증가함을 확인한다.