[논문 리뷰] Random Tessellations, Restricted Isometric Embeddings, and One Bit Sensing

Dmitriy Bilyk, Michael T. Lacey|arXiv (Cornell University)|2015. 12. 21.

Sparse and Compressive Sensing Techniques참고 문헌 14인용 수 9

한 줄 요약

이 논문은 무작연 가우시안 측정을 사용한 1비트 압축 감지가 선형 감지와 동일한 경계를 갖는 제한 이sov메트릭 성질(RIP)을 달성함을 입증한다. 이는 1비트 변환도 선형 변환과 마찬가지로 희박 벡터의 구조를 효과적으로 유지함을 보여준다. $ s $-희박 단위 벡터에 대해 $ \mathbb{S}^n $에서 $ m \gtrsim \delta^{-2}s\log(n/s) $ 측정값이 고확률적으로 허브리지 큐브 내에서 $ \delta $-RIP를 달성하는 데 충분하며, 이는 선형 RIP 성능과 일치한다.

ABSTRACT

We obtain mproved bounds for one bit sensing. For instance, let $ K_s$ denote the set of $ s$-sparse unit vectors in the sphere $ \mathbb S ^{n}$ in dimension $ n+1$ with sparsity parameter $ 0 < s < n+1$ and assume that $ 0 < δ< 1$. We show that for $ m \gtrsim δ^{-2} s \log \frac ns$, the one-bit map $$ x \mapsto \bigl[ {sgn} \langle x,g_j angle \bigr] _{j=1} ^{m}, $$ where $ g_j$ are iid gaussian vectors on $ \mathbb R ^{n+1}$, with high probability has $ δ$-RIP from $ K_s$ into the $ m$-dimensional Hamming cube. These bounds match the bounds for the {linear} $ δ$-RIP given by $ x \mapsto \frac 1m[\langle x,g_j angle ] _{j=1} ^{m} $, from the sparse vectors in $ \mathbb R ^{n}$ into $ \ell ^{1}$. In other words, the one bit and linear RIPs are equally effective. There are corresponding improvements for other one-bit properties, such as the sign-product RIP property.

연구 동기 및 목표

• 1비트 압축 감지에 대해 선형 감지와 동일한 경계를 갖는 날카운 경계를 확립하는 것.
• 1비트 변환이 고차원 구에서 희박 벡터의 구조를 선형 변환과 동일하게 효과적으로 유지함을 보여주는 것.
• 허브리지 큐브 내에서 $ \delta $-제한 이sov메트릭 임bedding(RIP)을 위한 측정 수가 선형 경우와 일치함을 증명하는 것.
• 무작위 초평면에 의한 희박 집합의 테세레이션을 분석하고, 이를 거리의 엔트로피와 VC 차원과 연결하는 것.
• 서브세트의 반구의 대칭 차이에 대한 결과를 확장하여 균일 엔트로피 클래스를 고려하는 것.

제안 방법

• 내적의 부호를 통해 1비트 측정값을 정의하기 위해 무작위 가우시안 벡터 $ g_j \sim \mathcal{N}(0, I_{n+1}) $ 를 사용한다.
• 작은 세포를 갖는 무작위 테세레이션에 필요한 측정 수를 추정하기 위해 직업 시간 문제의 힌트를 적용한다.
• 세포 지름을 제어하기 위해 메트릭 엔트로피 $ N(K, \delta) $ 와 $ \delta $-분리된 집합 $ M(K, \delta) $ 를 사용한다.
• VC 차원 이론과 샤우어의 보조정리를 활용해 희박 벡터와 관련된 반구의 대칭 차이의 복잡도를 제한한다.
• 판첸코의 균일 엔트로피 경계와 체이닝 추론을 적용하여 $ \mathcal{W}_s $ 위에서의 경험 과정 최대값에 대한 고확률 경계를 유도한다.
• 경험 대칭 차이 측도의 기대값에서의 편차에 대한 고확률 농도 부등식을 유도한다.

실험 결과

연구 질문

• RQ1 1비트 감지가 선형 감지와 동일한 측정 복잡도로 제한 이sov메트릭 임베딩을 달성할 수 있는가?
• RQ2 구 위의 $ s $-희박 벡터의 테세레이션에서 작은 세포를 확보하기 위해 필요한 최소 1비트 측정 수는 얼마인가?
• RQ3 집합 $ K_s $ 의 메트릭 엔트로피는 작은 세포 테세레이션을 위해 필요한 무작위 초평면의 수와 어떻게 관련이 있는가?
• RQ4 서브세트의 거리 보존 정도는 1비트 선형 변환에 의해 허브리지 큐브 내에서 희박 벡터 간의 거리 유지에 얼마나 효과적인가?
• RQ5 반구의 대칭 차이에 대한 균일 엔트로피 경계는 1비트 감지에서 경험 과정의 편차를 제어하는 데 사용될 수 있는가?

주요 결과

• 집합 $ K_s $, 즉 $ \mathbb{S}^n $ 내의 $ s $-희박 단위 벡터에 대해, $ m \gtrsim \delta^{-2}s\log(n/s) $ 측정값이 고확률적으로 허브리지 큐브 내에서 $ \delta $-RIP를 달성하는 데 충분하다.
• 1비트 변환 $ x \mapsto \textup{sgn}(\langle x, g_j \rangle)_{j=1}^m $ 는 선형 변환 $ x \mapsto \frac{1}{m}[\langle x, g_j \rangle]_{j=1}^m $ 와 동일한 $ m $-스케일링을 통해 $ \delta $-RIP 를 달성한다.
• 고확률적으로, $ m > C\delta^{-1}\log N(K, c\delta) $ 이면, $ K \subset \mathbb{S}^n $ 에 의해 유도된 테세레이션의 세포 지름은 최대 $ \delta $ 이다.
• 임의의 $ x, y \in K_s $ 에 대해 $ d(x,y) > \delta $ 이면, 고확률적으로 최소 $ c\delta m $ 개의 측정값이 부호에서 다름.
• 희박 벡터에 대한 반구의 대칭 차이 클래스는 균일 엔트로피 경계 $ N(\mathcal{W}_s, d_P, \delta) \lesssim \binom{n+1}{s}^2 (\delta/2)^{-12s-24} $ 를 갖는다.
• 고확률 농도 경계가 성립한다: 확률 $ 1 - 2e^{-u^2} $ 이상에서 $ \sup_{d(x,y)<\eta} \frac{1}{\sqrt{m}} \sum_{j=1}^m (\mathbf{1}_{W_{x,y}}(\theta_j) - d(x,y)) \lesssim \int_0^{\eta^{1/2}} \sqrt{s\log_+\frac{n}{s} + s\log_+\frac{1}{t}} dt + u\sqrt{\eta} $.