[논문 리뷰] Regularization of linear inverse problems by rational Krylov methods

Stefan Kindermann|arXiv (Cornell University)|2026. 01. 15.

Numerical methods in inverse problems인용 수 0

한 줄 요약

논문은 ill-posed 선형 역문제에 대한 aggregation과 RatCG 방법의 정규화 특성을 분석하고, discrepancy principle과 충분히 큰 정규화 매개변수를 결합할 때 합리 Krylov 공간 프레임워크를 통해 최적 차수의 정규화 스킴을 형성함을 보인다.

ABSTRACT

For approximately solving linear ill-posed problems in Hilbert spaces, we investigate the regularization properties of the aggregation method and the RatCG method. These recent algorithms use previously calculated solutions of Tikhonov regularization (respectively, Landweber iterations) to set up a new search space on which the least-squares functional is minimized. We outline how these methods can be understood as rational Krylov space methods, i.e., based on the space of rational functions of the forward operator. The main result is that these methods form an optimal-order regularization schemes when combined with the discrepancy principle as stopping rule and when the underlying regularization parameters are sufficiently large.

연구 동기 및 목표

• aggregation 및 RatCG 방법의 선형 ill-posed 문제에 대한 정규화 특성 조사
• 이 방법들과 rational Krylov 공간 사이의 연결 이해
• Hölder-type 소스 조건하에서 최적 수렴 속도를 얻기 위한 매개변수 선택 및 중지 규칙 결정
• 이 방법들이 표준 Tikhonov 정규화의 포화 효과를 상속하는지 평가

제안 방법

• A*A 및 y_delta 로 구성된 rational Krylov 공간 방법으로 모델링 aggregation 및 RatCG 구성
• K^n, R^n, KR^n 로 탐색 공간 표현 및 유사다항식으로 잔차 표현
• 잔차를 반복된 Tikhonov 및 CGNE 반복과 관련된 구성 요소로 분해
• 이전의 정규화된 해들로부터 aggregation 계수를 계산하기 위한 저차원 최소제곱 문제 이용
• 잔차 규칙으로 discrepancy principle 를 중지 규칙으로 적용
• 정규화 매개변수가 충분히 큰 경우 Hölder-type 소스 조건하에서 최적 차수 수렴 보장

실험 결과

연구 질문

• RQ1 aggregation 및 RatCG가 적절한 중지 규칙 하에서 정규화 방법을 구성하는가
• RQ2 수렴성을 해치지 않으면서 정규화를 보장하기 위해 다중 정규화 매개변수 alpha_i 를 어떻게 선택해야 하는가
• RQ3 이 rational Krylov 기반 방법들이 고전적 Tikhonov 정규화의 포화 현상을 보이는가
• RQ4 이 방법들을 사용하여 Hölder-type 소스 조건에 대한 최적 차수 수렴 속도를 보일 수 있는가

주요 결과

• Aggregation 및 RatCG는 rational Krylov 공간에서 CG-type 방법의 대각선 시퀀스로 해석될 수 있다
• discrepancy principle과 충분히 큰 alpha_i일 때 이 방법들은 Hölder-type 소스 조건에 대해 최적 차수 수렴을 달성한다
• 제안된 방법들의 잔차는 반복 인덱스에 따라 단조롭게 감소하고 손실 시점에서만 0에 도달한다(정확한 산술에서의 break-down 인덱스)
• 해당 분석은 rational Krylov 기반 방법을 반복적 Tikhonov 정규화 및 CGNE 와 연관시키는 프레임워크를 제공하여 데이터 의존성의 비선형성에도 불구하고 수렴 증명을 가능하게 한다