[논문 리뷰] Superset Technique for Approximate Recovery in One-Bit Compressed Sensing

Larkin Flodin, Venkata Gandikota외 1명|arXiv (Cornell University)|2019. 10. 30.

Sparse and Compressive Sensing Techniques인용 수 7

한 줄 요약

이 논문은 한 비트 압축 측정법(1bCS)에서 근사 복원을 위한 새로운 슈퍼셋 기법을 제안한다. 여기서 측정값의 부분집합이 신호 지지집합의 슈퍼셋을 식별한 후, 그 슈퍼셋 내에서 신호를 복원하기 위해 가우시안 측정값을 사용한다. 이 방법은 근사 복원을 위한 최적의 샘플 복잡도 $\mathcal{O}(k\log\frac{n}{k} + \frac{k}{\epsilon}\log\frac{k}{\epsilon})$ 를 달성하며, 기존에 알려진 최고 수준의 상한과 일치하면서도 보편적이고 비적응형 행렬 설계를 가능하게 한다.

ABSTRACT

One-bit compressed sensing (1bCS) is a method of signal acquisition under extreme measurement quantization that gives important insights on the limits of signal compression and analog-to-digital conversion. The setting is also equivalent to the problem of learning a sparse hyperplane-classifier. In this paper, we propose a novel approach for signal recovery in nonadaptive 1bCS that matches the sample complexity of the current best methods. We construct 1bCS matrices that are universal - i.e. work for all signals under a model - and at the same time recover very general random sparse signals with high probability. In our approach, we divide the set of samples (measurements) into two parts, and use the first part to recover the superset of the support of a sparse vector. The second set of measurements is then used to approximate the signal within the superset. While support recovery in 1bCS is well-studied, recovery of superset of the support requires fewer samples, and to our knowledge has not been previously considered for the purpose of approximate recovery of signals.

연구 동기 및 목표

• 보편적 근사 복원을 위한 샘플 복잡도의 격차를 해소하기 위해.
• 모든 $k$-희소 신호에 대해 높은 확률로 작동하는 비적응형 측정 계획을 개발하기 위해.
• 지지집합의 슈퍼셋을 먼저 복원하여 근사 신호 복원을 위한 측정 수를 줄이기 위해.
• 슈퍼셋 복원을 단계로 삼아 보편적 측정 행렬에 대한 이론적 보장을 제공하기 위해.
• 기존 1bCS 알고리즘에 대한 유연하고 저비용의 향상으로서의 슈퍼셋 기법의 실증적 검증을 위해.

제안 방법

• 측정 행렬을 두 부분으로 나누기: $M^{(1)}$ 은 슈퍼셋 복원을 위해, $M^{(2)}$ 는 신호 복원을 위해.
• $M^{(1)}$ 에 베르누이 분포를 가진 요소(확률 $1/(k+1)$)를 사용하여 군집 테스트 복원 알고리즘을 통해 진짜 지지집합의 $\mathcal{O}(k)$ 크기의 슈퍼셋을 복원한다.
• $M^{(2)}$ 에 표준 1bCS 복원 알고리즘(예: BIHT)을 적용하여 복원된 슈퍼셋 내에서 신호를 복원한다.
• $\mathcal{O}(k\log\frac{n}{k})$ 개의 행을 가진 $\mathcal{O}(k)$-리스트 분리 행렬의 존재를 활용하여 고확률로 슈퍼셋 복원을 보장한다.
• $M^{(2)}$ 에서 $\mathcal{O}(\frac{k}{\epsilon}\log\frac{k}{\epsilon})$ 개의 가우시안 측정값을 사용하여 슈퍼셋 내에서 $\epsilon$-정확한 복원을 달성한다.
• 조합 설계를 이용한 슈퍼셋 복원과 복원을 위한 가우시안 측정값을 조합하여 강력한 명시적 행렬을 구성한다.

실험 결과

연구 질문

• RQ1 정확한 지지집합 복원에 비해 근사 1bCS 복원을 위한 측정 수를 슈퍼셋 복원이 줄일 수 있는가?
• RQ2 비적응형 1bCS에서 슈퍼셋 크기와 측정 비용 사이의 최적의 트레이드오프는 무엇인가?
• RQ3 모든 실수값 $k$-희소 신호에 대해 보편적 측정 행렬을 설계하여 슈퍼셋 기법을 통해 근사 복원을 지원할 수 있는가?
• RQ4 복원 오차 측면에서 슈퍼셋 방법은 표준 전 가우시안 1bCS와 비교해 어떻게 성능을 내는가?
• RQ5 슈퍼셋 기법은 기존 1bCS 알고리즘의 핵심 구조를 수정하지 않고도 플러그인 형태로 적용 가능한가?

주요 결과

• 제안된 방법은 근사 1bCS 복원을 위한 샘플 복잡도 $\mathcal{O}(k\log\frac{n}{k} + \frac{k}{\epsilon}\log\frac{k}{\epsilon})$ 를 달성하며, 기존에 알려진 최고 수준의 상한과 일치한다.
• 베르누이 행렬을 사용하여 $4k\log n$ 개의 측정값을 통해 슈퍼셋 복원을 수행하면, $\mathcal{O}(k)$ 크기의 슈퍼셋을 고확률로 복원할 수 있다.
• 실증 결과는 특히 중간에서 높은 측정 비용 범위에서, 전 가우시안 행렬 대비 $\ell_2$ 복원 오차에 있어 약간이지만 일관된 향상이 있음을 보여준다.
• 슈퍼셋 방법은 매우 일반적이며, BIHT나 QCoSaMP와 같은 기존 1bCS 알고리즘과의 조합이 거의 수정 없이 가능하다.
• 이 방법은 최적의 $\mathcal{O}(k\log\frac{n}{k})$ 슈퍼셋 복원 비용에 비해 $k^{o(1)}$ 의 추가 비용만으로 강력한 명시적 구성이 가능하다.
• 이 접근법은 모든 실수값 $k$-희소 신호에 대해 고확률로 작동하는 보편적 1bCS 행렬의 이론적 기반을 제공한다.