[논문 리뷰] On partial sparse recovery

Afonso S. Bandeira, Katya Scheinberg외 1명|arXiv (Cornell University)|2013. 04. 09.

Sparse and Compressive Sensing Techniques참고 문헌 14인용 수 17

한 줄 요약

이 논문은 희소성의 일부만 가정되는 부분 희소 복원에 대해 노름공간성질(NSP)과 제한 이sovolumetric 성질(RIP)의 유사체를 도입한다. 이 새로운 조건들이 희소 부분에 대한 ℓ₁-최소화를 통해 부분 희소 신호의 정확한 및 강건한 복원을 보장함을 증명하며, 사전에 일부 지지집합이 알려져 있을 경우 고전적 압축 측정보다 더 적은 측정 수를 통해 복원을 보장할 수 있음을 보여준다.

ABSTRACT

We consider the problem of recovering a partially sparse solution of an underdetermined system of linear equations by minimizing the $\ell_1$-norm of the part of the solution vector which is known to be sparse. Such a problem is closely related to a classical problem in Compressed Sensing where the $\ell_1$-norm of the whole solution vector is minimized. We introduce analogues of restricted isometry and null space properties for the recovery of partially sparse vectors and show that these new properties are implied by their original counterparts. We show also how to extend recovery under noisy measurements to the partially sparse case.

연구 동기 및 목표

• 해당 선형 시스템에서 해 벡터의 일부만 희소라고 가정할 때, 부분 희소 해를 복원하는 문제를 다룬다.
• 해의 희소 부분에 대한 ℓ₁-최소화에 특화된 새로운 이론적 조건인 부분 NSP와 부분 RIP를 개발한다.
• 이러한 새로운 조건들이 고전적 NSP와 RIP에 의해 유도됨을 보여, 표준 압축 측정 가정 하에서의 타당성을 확보한다.
• 노이즈가 있는 측정치로의 확장을 다루며, 불확실성 하에서 부분 희소 복원에 대한 오차 한계를 제공한다.
• 부분 희소성 덕분에 고전적 압축 측정보다 훨씬 적은 측정 수로 복원이 가능함을 보여주며, 특히 희소 부분이 작을 경우에 두드러진다.

제안 방법

• 측정 제약 조건을 만족하면서도 해 벡터의 알려지지 않은 희소 부분에 대해서만 ℓ₁-노름을 최소화하는 수정된 ℓ₁-최소화 문제를 제안한다.
• 정확한 부분 희소 벡터 복원을 위한 필수 및 필요조건으로 부분 노름공간성질(partial NSP)을 도입한다.
• 측정 행렬에 대한 부분 제한 이sovolumetric 성질(partial RIP)을 정의하여, 부분 희소 벡터의 ℓ₂-노름을 얼마나 잘 유지하는지 기술한다.
• 부분 NSP와 부분 RIP가 고전적 대응 조건들에 의해 유도됨을 증명하여, 표준 랜덤 행렬(예: 가우시안)이 새로운 조건들을 만족함을 보장한다.
• 노이즈 있는 측정치 하에서 부분 희소 복원 문제에 대한 오차 한계를 유도하며, 복원 오차가 노이즈 수준과 행렬 상수와 어떻게 관련되는지 분석한다.
• 가우시안 랜덤 행렬을 분석하여 부분 RIP를 만족하기 위한 측정 수의 고확률 한계를 유도하며, 전체 희소성 대비 측정 수의 감소를 보여준다.

실험 결과

연구 질문

• RQ1 희소 부분에 국한된 ℓ₁-최소화를 통해 부분 희소 벡터의 정확한 복원을 위한 충분한 조건을 설정할 수 있는가?
• RQ2 새로운 부분 NSP 및 부분 RIP 조건들이 고전적 NSP 및 RIP와 비교할 때 강도와 함의 관계는 어떠한가?
• RQ3 지지집합의 일부가 사전에 알려져 있을 경우, 압축 측정의 이론적 보장을 어떻게 확장할 수 있는가?
• RQ4 가우시안 랜덤 행렬을 사용할 때, 높은 확률로 부분 희소 복원을 보장하기 위해 필요한 최소 측정 수는 얼마인가?
• RQ5 부분 희소 복원의 오차는 노이즈 수준과 행렬 성질에 따라 어떻게 변화하는가?

주요 결과

• 부분 노름공간성질(partial NSP)은 희소 부분에 대한 ℓ₁-최소화를 통한 부분 희소 벡터의 정확한 복원을 위한 필수 및 필요조건이다.
• 부분 제한 이sovolumetric 성질(partial RIP)은 노이즈 있는 측정치 하에서 강건한 복원을 위한 충분조건이며, 그 상수들은 고전적 RIP 상수들을 통해 유계로 표현될 수 있다.
• 가우시안 랜덤 행렬의 경우, 희소 부분 크기가 작을 때 고전적 압축 측정보다 부분 희소 복원을 위한 측정 수가 점점 줄어들며, 특히 s−r = O(1)일 때는 오직 O(s + log(N−r))의 측정 수로 충분하다.
• 노이즈 있는 복원에 대한 오차 한계는 희소 부분의 ℓ₂-오차와 노이즈 수준에 의해 제어되며, 행렬의 부분 RIP 상수로부터 유도된 명시적 상수를 포함한다.
• 부분 RIP 조건을 만족하지 못할 확률은 N에 대해 다항식적으로 감소하므로, 충분히 큰 k에 대해 고확률 복원이 보장된다.
• 제안된 프레임워크는 희소 부분의 지지집합에 대한 사전 지식이 있을 경우 측정 요구량을 크게 줄일 수 있으며, 특히 영상 복원 및 헤시안 복원과 같은 응용 분야에서 유용하다.