[논문 리뷰] Robust Recovery of Signals From a Structured Union of Subspaces

Yonina C. Eldar, Moshe Mishali|ArXiv.org|2008. 07. 29.

Sparse and Compressive Sensing Techniques참고 문헌 32인용 수 5

한 줄 요약

이 논문은 유한한 선형 샘플로부터 구조화된 k개의 부분공간의 합집합에 속하는 신호를 안정적이고 효율적으로 복원하기 위한 볼록 최적화 프레임워크를 제안한다. 블록 스퍼스 복원을 이용한 혼합 ℓ₂/ℓ₁ 최소화로 문제를 모델링함으로써, 블록-제한된 이sov메트리성질(block-RIP)에 기반한 정확한 복원과 안정적 복원을 위한 충분조건을 확립하였으며, 압축 감지(compressed sensing)를 증명 가능 보장을 갖춘 구조화된 부분공간의 합집합으로 일반화한다.

ABSTRACT

Traditional sampling theories consider the problem of reconstructing an unknown signal $x$ from a series of samples. A prevalent assumption which often guarantees recovery from the given measurements is that $x$ lies in a known subspace. Recently, there has been growing interest in nonlinear but structured signal models, in which $x$ lies in a union of subspaces. In this paper we develop a general framework for robust and efficient recovery of such signals from a given set of samples. More specifically, we treat the case in which $x$ lies in a sum of $k$ subspaces, chosen from a larger set of $m$ possibilities. The samples are modelled as inner products with an arbitrary set of sampling functions. To derive an efficient and robust recovery algorithm, we show that our problem can be formulated as that of recovering a block-sparse vector whose non-zero elements appear in fixed blocks. We then propose a mixed $\ell_2/\ell_1$ program for block sparse recovery. Our main result is an equivalence condition under which the proposed convex algorithm is guaranteed to recover the original signal. This result relies on the notion of block restricted isometry property (RIP), which is a generalization of the standard RIP used extensively in the context of compressed sensing. Based on RIP we also prove stability of our approach in the presence of noise and modelling errors. A special case of our framework is that of recovering multiple measurement vectors (MMV) that share a joint sparsity pattern. Adapting our results to this context leads to new MMV recovery methods as well as equivalence conditions under which the entire set can be determined efficiently.

연구 동기 및 목표

• m개의 가능한 부분공간 중에서 선택된 k개의 부분공간에 속하는 신호를 계산적으로 효율적이고 강건하게 복원하는 알고리즘을 개발하기 위해.
• 사전에 진짜 부분공간이 알려져 있지 않은 조건에서 노이즈가 존재하거나 모델이 어긋난 경우의 신호 복원 문제에 대응하기 위해.
• 블록-RIP 프레임워크를 도입하여, 압축 감지 이론을 구조화된 부분공간의 합집합으로 일반화하기 위해.
• 제안된 볼록 최적화 방법이 정확하고 안정적인 복원을 보장하는 명시적이고 비점근적인 조건을 제공하기 위해.
• 다중 측정 벡터(MMV) 문제에 이 프레임워크를 특화하여, 새로운 복원 방법과 블록-RIP에 기반한 등가 조건을 제공하기 위해.

제안 방법

• 비제로 계수들이 고정된 사전 정의된 블록에 나타나는 블록-스퍼스 벡터 복원 문제로 신호 복원 문제를 재구성하기 위해.
• 계수 벡터의 블록-스퍼스성을 촉진하기 위해 혼합 ℓ₂/ℓ₁ 최적화 프로그램(2차 원형 프로그래밍)을 사용하기 위해.
• 측정 행렬의 블록-제한된 이sov메트리성질(block-RIP)을 정의하여, 블록-구조 부분공간을 다룰 수 있도록 표준 RIP를 일반화하기 위해.
• 측정 연산자와 부분공간 기저 변환에 기반한 샘플링 연산자로부터 유도된 블록-RIP 조건을 바탕으로 정확한 복원을 위한 충분조건을 확립하기 위해.
• 노이즈와 신호 모델링 오차 상황에서 복원 방법의 안정성을 증명하기 위해, 재구성 오차를 블록-RIP 상수의 함수로 bound하기 위해.
• 랜덤 샘플링 행렬을 분석하여, 적절한 문제 차원 하에서 블록-RIP 조건이 높은 확률로 만족됨을 보여주기 위해.

실험 결과

연구 질문

• RQ1 m개의 가능한 부분공간 중에서 k개의 부분공간에 속하는 신호가 선형 샘플로부터 정확히 복원될 수 있는 조건은 무엇인가?
• RQ2 스퍼스 패턴의 블록 구조를 활용하여 복원 성능을 향상시키기 위해 볼록 최적화 방법을 어떻게 설계할 수 있는가?
• RQ3 구조화된 부분공간의 합집합 모델에서 안정적 복원을 보장하기 위해 필요한 제한된 이sov메트리성질(RIP)의 일반화 형태는 무엇인가?
• RQ4 노이즈가 존재하거나 신호가 정확히 부분공간의 합집합에 있지 않은 경우, 제안된 방법은 어떻게 성능을 발휘하는가?
• RQ5 이 프레임워크는 다중 측정 벡터(MMV) 문제에 특화될 수 있으며, 새로운 복원 보장 조건이나 등가 조건을 어떻게 도출하는가?

주요 결과

• 제안된 혼합 ℓ₂/ℓ₁ 최소화 알고리즘은 측정 행렬이 k>1일 때 블록-RIP 조건을 만족하고 블록-RIP 상수가 √(2k−1)/(k−1) 미만이면 원래 신호를 정확히 복원할 수 있음을 보장한다.
• 노이즈와 모델링 오차 상황에서 복원 방법은 안정적이며, 재구성 오차가 노이즈 수준과 최적의 블록-스퍼스 근사 오차의 배수로 bound됨을 보장한다.
• 측정 행렬이 랜덤으로 선택될 경우, m개의 부분공간과 블록 크기 k에 대해 샘플 수 n이 O(k log(m/k)) 비례할 때 블록-RIP 조건이 높은 확률로 만족됨을 보였다.
• 이 프레임워크는 압축 감지 이론을 구조화된 부분공간의 합집합으로 일반화하며, 단지 스퍼스 패턴뿐만 아니라 비제로 계수 간의 선형 종속성도 허용한다.
• MMV 문제에 적용할 경우, 각 측정 벡터가 모든 미지의 벡터에 의존하는 새로운 복원 체계를 도출하며, 이는 복원 속도를 향상시키고, 블록-RIP 하에서 다양한 MMV 알고리즘 간의 등가 조건을 도출할 수 있다.
• 결과는 점근적이지 않으며, 유한 차원의 구조화된 부분공간의 합집합에 적용 가능하며, 복원 성능에 대한 명시적 bound를 제공한다.