[논문 리뷰] Sparse Phase Retrieval: Convex Algorithms and Limitations

Kishore Jaganathan, Samet Oymak외 1명|arXiv (Cornell University)|2013. 03. 18.

Advanced X-ray Imaging Techniques참고 문헌 18인용 수 20

한 줄 요약

이 논문은 희박한 신호 복원을 위한 재가중 $β_1$-최소화 알고리즘을 제안하며, 기존의 볼록 방법의 $o(\sqrt{n})$ 희박성 장벽을 극복하고 $\mathcal{O}(k^2\log n)$ 개의 비단일 푸리에 측정값에서 $k$-희박 신호를 성공적으로 복원한다. 또한 철저히 설계된 측정 행렬을 사용할 경우, $\mathcal{O}(k\log n)$ 측정값만으로도 복원이 가능하며, 이는 near-optimal 샘플 복잡도에 도달한다.

ABSTRACT

We consider the problem of recovering signals from their power spectral density. This is a classical problem referred to in literature as the phase retrieval problem, and is of paramount importance in many fields of applied sciences. In general, additional prior information about the signal is required to guarantee unique recovery as the mapping from signals to power spectral density is not one-to-one. In this paper, we assume that the underlying signals are sparse. Recently, semidefinite programming (SDP) based approaches were explored by various researchers. Simulations of these algorithms strongly suggest that signals upto $o(\sqrt{n})$ sparsity can be recovered by this technique. In this work, we develop a tractable algorithm based on reweighted $l_1$-minimization that recovers a sparse signal from its power spectral density for significantly higher sparsities, which is unprecedented. We discuss the square-root bottleneck of the existing convex algorithms and show that a $k$-sparse signal can be efficiently recovered using $O(k^2logn)$ phaseless Fourier measurements. We also show that a $k$-sparse signal can be recovered using only $O(k log n)$ phaseless measurements if we are allowed to design the measurement matrices.

연구 동기 및 목표

• 기존의 볼록 단계 복원 알고리즘에서 발생하는 $o(\sqrt{n})$ 희박성 장벽을 극복하여, $k \ll \sqrt{n}$ 인 희박성의 신호 복원을 가능하게 한다.
• 재가중 $β_1$-최소화를 기반으로 한 계산 가능하고 볼록 유사한 알고리즘을 개발하여, $o(\sqrt{n})$ 임계값을 초월한 $k$-희박 신호의 복원을 가능하게 한다.
• 구조화된 측정 설계를 통해 $k$-희박 신호를 $\mathcal{O}(k\log n)$ 개의 비단일 측정값으로 복원할 수 있음을 보이며, 최적 샘플 복잡도에 가까운 성능을 달성한다.
• 재가중 $β_1$-최소화의 성능을 기존의 SDP 기반 및 교대 최적화 알고리즘과 이론적·실험적으로 비교한다.

제안 방법

• 논문은 단계 복원 문제를 비볼록 타당성 문제로 공식화하고, 행렬 $\mathbf{X} = \mathbf{x}\mathbf{x}^T$ 를 사용하여 고차원 공간으로 확장하여 볼록 근사화를 가능하게 한다.
• 이 알고리즘은 반복적으로 $β_1$-노름 페널티를 재가중하여 신호 복원 과정에서 희박성을 촉진하는 재가중 $β_1$-최소화 알고리즘을 도입한다.
• 이 방법은 $\mathcal{O}(k^2\log n)$ 개의 비단일 푸리에 측정값을 사용하여 $k$-희박 신호를 복원하며, 기존의 표준 SDP 기반 접근법의 $o(\sqrt{n})$ 희박성 한계를 크게 초월한다.
• 최적의 측정 효율성을 위해, 희박한 지지도를 가진 랜덤 벡터와 i.i.d. 단일성 성분을 사용하는 조합 측정 설계를 제안하며, 이는 $\mathcal{O}(k\log n)$ 측정값으로 복원 가능하게 한다.
• 복원 알고리즘은 측정값 수 $m$ 에 대해 $O(mn)$ 시간 내에 작동하며, 제안된 측정 모델 하에서 높은 확률로 성공함을 보였다.
• 확률적 추론을 사용하여 이론적 보장을 도출하였으며, $m \geq ck\log n$ 인 경우 어떤 상수 $c>0$ 에 대해 $k$-희박 신호가 높은 확률로 복원 가능하다고 밝혔다.

실험 결과

연구 질문

• RQ1 재가중 $β_1$-최소화는 기존 볼록 단계 복원 알고리즘에 내재된 $o(\sqrt{n})$ 희박성 장벽을 극복할 수 있는가?
• RQ2 볼록 근사화 기법을 사용할 때 안정적으로 $k$-희박 신호를 복원하기 위해 필요한 비단일 푸리에 측정값의 최소 수는 얼마인가?
• RQ3 구조화된 측정 설계를 통해 필요한 비단일 측정값 수를 $\mathcal{O}(k\log n)$ 으로 줄일 수 있으며, 높은 확률의 복원을 보장할 수 있는가?
• RQ4 재가중 $β_1$-최소화의 성능은 SDP 기반 및 교대 최적화 알고리즘과 비교해 희박성 복원 임계값 측면에서 어떻게 다른가?

주요 결과

• 재가중 $β_1$-최소화 알고리즘이 $\mathcal{O}(k^2\log n)$ 개의 비단일 푸리에 측정값에서 $k$-희박 신호를 성공적으로 복원하며, 기존 볼록 방법의 $o(\sqrt{n})$ 희박성 한계를 크게 초월한다.
• 철저히 설계된 측정 체계를 통해 $k$-희박 신호를 단지 $\mathcal{O}(k\log n)$ 개의 비단일 측정값으로 복원할 수 있으며, near-optimal 샘플 복잡도를 달성한다.
• 수치 실험 결과, 제안된 알고리즘이 기존의 SDP 기반 방법(CandesPR, HassibiPR)과 교대 최적화(GS) 알고리즘을 모두 능가함을 보였으며, 특히 $o(\sqrt{n})$ 희박성 임계값을 초월할 때 두드러진 성능을 보였다.
• 이론적 분석을 통해 제안된 조합 측정 설계가 $m \geq ck\log n$ 인 경우 어떤 상수 $c>0$ 에 대해 $k$-희박 신호의 높은 확률 복원을 가능하게 함을 확인하였다.
• 알고리즘은 알려지지 않은 희박성 수준에 대해 강건하며, $k_i = 2^i$ 와 같은 여러 희박성 수준을 고려함으로써 모든 $k$ 를 다룰 수 있으며, 총 $\mathcal{O}(k\log^2 n)$ 측정값만으로도 가능하다.
• 논문은 계산 가능한 볼록 알고리즘과 계산이 어려운 조합적 탐색 사이의 성능 격차를 규명하였으며, 구조화된 설계를 통해 최적의 측정 효율성이 달성될 수 있음을 보였다.