[논문 리뷰] Phase Retrieval Meets Statistical Learning Theory: A Flexible Convex Relaxation

Sohail Bahmani, Justin Romberg|arXiv (Cornell University)|2016. 10. 13.

Advanced X-ray Imaging Techniques참고 문헌 6인용 수 55

한 줄 요약

이 논문은 신호의 자연 도메인에서 직접 작동하는 유연한 볼록 리 릴랙션을 제안하며, 반정형 프로그래밍의 계산 부담을 피한다. 문제를 대칭 슬래브를 나타내는 부등식 제약 조건을 가진 볼록 프로그램으로 재구성하고 앵커 벡터를 사용해 해를 지도함으로써, 무작위 측정 하에서 최적의 샘플 복잡도를 달성하며, 통계적 학습 이론과 시뮬레이션을 통해 검증된다.

ABSTRACT

We propose a flexible convex relaxation for the phase retrieval problem that operates in the natural domain of the signal. Therefore, we avoid the prohibitive computational cost associated with "lifting" and semidefinite programming (SDP) in methods such as PhaseLift and compete with recently developed non-convex techniques for phase retrieval. We relax the quadratic equations for phaseless measurements to inequality constraints each of which representing a symmetric "slab". Through a simple convex program, our proposed estimator finds an extreme point of the intersection of these slabs that is best aligned with a given anchor vector. We characterize geometric conditions that certify success of the proposed estimator. Furthermore, using classic results in statistical learning theory, we show that for random measurements the geometric certificates hold with high probability at an optimal sample complexity. Phase transition of our estimator is evaluated through simulations. Our numerical experiments also suggest that the proposed method can solve phase retrieval problems with coded diffraction measurements as well.

연구 동기 및 목표

• 반정형 프로그래밍 기반 단층 측정 기법(예: PhaseLift)의 확장성 한계를 해결한다.
• 신호 도메인에서 직접 작동하는 볼록 리 릴랙션을 개발한다. 즉, 더 높은 차원의 공간으로의 리프팅을 피한다.
• 통계적 학습 이론을 활용해 무작위 측정 하에서 높은 확률로 복원 보장을 수립한다.
• 기하학적이고 계산적으로 효율적인 추정기로, 단층 측정에 대해 최적의 샘플 복잡도를 달성한다.
• 수치 실험을 통해 코딩된 회절 측정에의 적용 가능성을 입증한다.

제안 방법

• 이차적 단층 측정을 대칭 부등식 제약 조건으로 리 릴랙션하여, 복소 신호 공간 내에서 '슬래브'를 정의한다.
• 주어진 앵커 벡터와의 내적을 최대화하는 볼록 최적화 문제를 설정하며, 슬래브 제약 조건을 만족시킨다.
• 진짜 신호와의 비영인 상관관계를 확보함으로써 앵커 벡터를 사용해 해를 목표 신호 쪽으로 지도한다.
• 특히 VC 차원과 라데마처 복잡도를 포함한 통계적 학습 이론의 결과를 적용해, 높은 확률로 복원 보장을 유도한다.
• 진짜 신호가 전역 위상까지 복원되는 기하학적 조건을 규명한다.
• 측정 수가 $ M riangleq ilde{ heta}(N + rac{1}{ heta}) $ 를 만족할 경우, 높은 확률로 기하학적 조건이 성립함을 증명한다. 여기서 $ heta $ 는 앵커의 상관관계 강도와 관련된 상수이다.

실험 결과

연구 질문

• RQ1 반정형 프로그래밍의 계산 비용을 피하면서도 이론적 보장을 유지하는 단층 측정을 위한 볼록 리 릴랙션을 설계할 수 있는가?
• RQ2 어떤 기하학적 조건이 볼록 추정기의 진짜 신호 복원(전역 위상까지)을 보장하는가?
• RQ3 제안된 방법이 통계적 학습 이론 도구를 사용해 무작위 측정 하에서 최적의 샘플 복잡도를 달성하는가?
• RQ4 이 추정기는 실용적인 단층 측정 설정에서 코딩된 회절 패atters를 다룰 수 있도록 확장될 수 있는가?
• RQ5 앵커 벡터는 복원 성능과 해의 기하학적 증명에 어떤 영향을 미치는가?

주요 결과

• 측정 수가 $ M riangleq ilde{ heta}(N + rac{1}{ heta}) $ 를 만족할 경우, 제안된 볼록 추정기는 진짜 신호를 높은 확률로 정확히 복원한다. 여기서 $ heta $ 는 앵커가 신호와의 상관관계 강도와 관련된 상수이다.
• 성공적인 복원을 위한 기하학적 조건은 모든 $ m{a}_i m{a}_i^* m{x}_ ext{star} $ 를 포함하는 특정 제약된 반공간이 존재하지 않는 것과 동치이며, 이는 무작위 측정 하에서 높은 확률로 성립함을 보였다.
• 이 방법은 최적의 샘플 복잡도를 달성하며, 가우시안 측정 하에서 알려진 정보 이론적 한계와 일치한다.
• 수치 시뮬레이션은 이 추정기가 코딩된 회절 패턴 조건에서도 잘 작동함을 확인하며, 실용적 내구성을 시사한다.
• 이론적 분석은 VC 차원과 라데마처 복잡도를 포함한 통계적 학습 이론의 고전 결과에 기반하여 추정기의 일반화 오차를 유계로 제한한다.
• 이 방법은 확장 가능하고 계산적으로 효율적이며, PhaseLift와 같은 SDP 기반 접근 방식과 달리 $ bC^N $ 도메인에서 직접 작동한다.