[논문 리뷰] Sparse Legendre expansions via $\ell_1$ minimization

Holger Rauhut, Rachel Ward|arXiv (Cornell University)|2010. 03. 01.

Sparse and Compressive Sensing Techniques참고 문헌 36인용 수 5

한 줄 요약

이 논문은 $ m acksimeq s\log^4 N $ 개의 랜덤 샘플을 $[-1,1]$ 에서 체비셰프 측도에 따라 추출하여 $\ell_1$-최소화를 통해 희소 레지온드르 다항식 전개를 정확하게 복원할 수 있음을 입증한다. 주요 기여는 제약을 받는 이sovolumetric 성질(RIP)을 전처리된 레지온드르 행렬에 대해 증명함으로써, 끝점 근처에서 유계적이지 않은 기저 함수가 존재하는 경우에도 안정적인 복원을 가능하게 하고, 결과를 자비에 다항식과 무한차원 함수 공간 내의 함수 근사로 확장한 것이다.

ABSTRACT

We consider the problem of recovering polynomials that are sparse with respect to the basis of Legendre polynomials from a small number of random samples. In particular, we show that a Legendre s-sparse polynomial of maximal degree N can be recovered from m = O(s log^4(N)) random samples that are chosen independently according to the Chebyshev probability measure. As an efficient recovery method, l1-minimization can be used. We establish these results by verifying the restricted isometry property of a preconditioned random Legendre matrix. We then extend these results to a large class of orthogonal polynomial systems, including the Jacobi polynomials, of which the Legendre polynomials are a special case. Finally, we transpose these results into the setting of approximate recovery for functions in certain infinite-dimensional function spaces.

연구 동기 및 목표

• 희소 $s$-레지온드르 다항식 전개를 소수의 랜덤 샘플로부터 증명 가능하게 안정적으로 복원하는 방법을 개발하기 위해.
• 이전 압축 감지 결과에서 요구하는 균일 유계 기저의 제한을 극복하기 위해, 레지온드르 다항식처럼 유계가 아닌 수직 다항식 기저를 허용하기 위해.
• 무한차원 함수 공간 내에서 $\ell_p$-summable 푸리에-레지온드르 계수를 가진 함수에 대한 복원 보장을 수립하기 위해.
• 체비셰프 측도를 통한 통합 샘플링 측도를 사용하여, 자비에 다항식을 포함한 광범위한 종류의 수직 다항식으로 이 프레임워크를 확장하기 위해.
• 전처리가 비균일하게 유계가 아닌 기저 함수를 가진 랜덤 샘플링 행렬에 대해 제약 이sovolumetric 성질(RIP)을 가능하게 한다는 것을 보여주기 위해.

제안 방법

• 체비셰프 측도 $d\nu(x) = \pi^{-1}(1-x^2)^{-1/2}dx$ 에 따라 추출된 랜덤 샘플로부터 $\ell_1$-최소화를 사용하여 희소 레지온드르 계수 벡터를 복원한다.
• 레지온드르 다항식이 $\pm1$ 근처에서 무한대가 되는 것을 고려한 전처리를 통해 랜덤 레지온드르 행렬에 대한 제약 이sovolumetric 성질(RIP)을 증명한다.
• 특히 노이즈 인식 $\ell_1$-최소화 기법을 활용한 기존 압축 감지 이론을 적용하여 샘플링 및 노이즈 모델 하에서 오차 한계를 유도한다.
• 스테크킨의 추정과 $\ell_p$-summable 계수의 성질을 활용하여 함수 공간 내의 근사 오차를 제한한다.
• 텐서 곱 다변수 다항식과 자비에 다항식으로 결과를 확장하기 위해, 체비셰프 측도가 여전히 최적의 샘플링 측도임을 확인한다.
• 고차원 설정에서의 계산 가능성을 확보하기 위해 레지온드르 변환을 위한 빠른 알고리즘을 사용한다.

실험 결과

연구 질문

• RQ1 기저 함수가 정의역 끝점 근처에서 무한대가 되는 경우, 다항식의 희소 레지온드르 전개를 서브라인어 수준의 랜덤 샘플로부터 복원할 수 있는가?
• RQ2 수직 다항식 기저가 균일 유계 조건을 위반하는 경우에도 $\ell_1$-최소화가 압축 감지에 효과적으로 작용하는가?
• RQ3 전처리를 통해 비균일하게 유계가 아닌 기저 함수를 가진 랜덤 샘플링 행렬에 대해 제약 이sovolumetric 성질(RIP)을 확립할 수 있는가?
• RQ4 체비셰프 측도가 다양한 가중 함수에 대해 수직 다항식 전개의 압축 감지에서 통합적으로 최적의 샘플링 측도인가?
• RQ5 복원 프레임워크를 $\ell_p$-summable 계수를 가진 무한차원 함수 공간 내의 함수 근사로 확장할 수 있는가?

주요 결과

• 차수 $N$ 의 레지온드르 $s$-희소 다항식은 체비셰프 측도로부터 고려할 만한 확률로 $m \backsimeq s\log^4 N$ 개의 랜덤 샘플로부터 정확히 복원될 수 있다.
• 전처리된 랜덤 레지온드르 행렬에 대해 제약 이sovolumetric 성질(RIP)이 성립하여 안정적인 $\ell_1$-최소화 복원이 가능하다.
• 결과는 자비에 다항식 및 유한 지지 가중 함수를 가진 다른 수직 체계로 확장 가능하며, 약간의 연속성 조건을 만족한다.
• 계수 $\ell_p$-summable ($0 < p < 1$) 이며 $A_q \cap A_{1,\alpha}$ 에 속하는 함수의 경우, 오차 $\mathcal{O}(s^{1-1/q})$ 수준의 거의 최적의 근사가 달성된다.
• 레지온드르 전개가 $s$-희소인 함수의 $\ell_1$-재구성에 필요한 샘플 수는 $m \backsimeq s\log^3 s \log N$ 이며, 오차 한계는 $\mathcal{O}(s^{1-1/q})$ 수준으로 척도화된다.
• 체비셰프 측도는 이 수직 다항식 클래스에 대해 통합적으로 최적의 측도이며, 특정 가중 함수에 관계없이 여전히 최적임이 유지된다.