[논문 리뷰] Universal discretization and sparse sampling recovery

F. Dai, V. Temlyakov|arXiv (Cornell University)|2023. 01. 14.

Mathematical Approximation and Integration인용 수 8

한 줄 요약

이 논문은 유니버설 디스크리타이제이션을 사용한 최소제곱을 통해 L2 노름에서 희소 회복에 대한 Lebesgue-유형 불평등을 개발하고, 희소 회복 오차를 딕셔너리의 최적 v-항 근사와 연결합니다.

ABSTRACT

Recently, it was discovered that for a given function class $\mathbf{F}$ the error of best linear recovery in the square norm can be bounded above by the Kolmogorov width of $\mathbf{F}$ in the uniform norm. That analysis is based on deep results in discretization of the square norm of functions from finite dimensional subspaces. In this paper we show how very recent results on universal discretization of the square norm of functions from a collection of finite dimensional subspaces lead to an inequality between optimal sparse recovery in the square norm and best sparse approximations in the uniform norm with respect to appropriate dictionaries.

연구 동기 및 목표

• L2 노름에서의 샘플링 회복 및 Uniform 노름에서의 Kolmogorov 폭과의 관계를 동기 부여하고 분석한다.
• 다양한 차원 부분공간 집합에 대해 유니버설 디스크리타이제이션을 도입하고 활용한다.
• 최소제곱 및 v-항 딕셔너리 기반의 비선형 희소 회복 알고리즘을 연구한다.
• LS 기반 희소 회복과 최적 v-항 근사를 연결하는 Lebesgue-유형의 부등식을 확립한다.
• 특정 유계성과 Riesz형 조건을 만족하는 딕셔너리에 대해 무조건적 결과를 제공한다.

제안 방법

• LS 회복 및 비선형 희소 회복 알고리즘 L(\u001f, \u001d)을 기반으로 샘플링 및 이산화 프레임워크를 정의한다.
• X_v(D_N)에 대한 한쪽 유니버설 디스크리타이제이션을 사용하여 L2(w) 및 L_infty 노름에서 LS 기반 회복 오차를 sigma_v(f, D_N)으로 상한한다.
• mu와 샘플 포인트의 질량점을 결합한 이산화된 측정 mu_xi를 도입한다.
• 정리 1.1을 증명하여 ||f - LS(\u001f, X_v(D_N))(f)||_2의 상한을 sigma_v(f, D_N)_{L2(\t, \mu_ξ)} 및 sigma_v(f, D_N)_infty에 대해 제시한다.
• 정리 1.2를 통해 사전 디스크리타이제이션 가정 하에서 varrho^{ls}_{m,v} <= 상수 * sigma_v(F, D_N)_{(2,m)} 및 <= 상수 * sigma_v(F, D_N)_infty로 같은 방식으로 상한을 보인다.
• (정리 1.3)은 유계성 및 Riesz형 조건을 만족하는 딕셔너리에 대한 무조건적 결과를 설명하며, 이로써 이산화 특성과 대응하는 오차 상한을 sigma_v(F, D_N)_{(2,m)} 및 sigma_v(F, D_N)_infty로 얻을 수 있다.
• Gegenbauer/삼각 구조를 갖는 딕셔너리 및 혼합-매끄러움 함수 클래스에 대한 의미를 다루는 보조정리들을 제공한다.

실험 결과

연구 질문

• RQ1 LS 기반 희소 회복이 유니버설 디스크리타이제이션을 사용하여 최적 v-항 근사와 비교할 수 있는 오차 경계를 달성할 수 있는가?
• RQ2 X_v(D_N)에 대한 한쪽 유니버설 디스크리타이제이션이 함수 회복에 대한 Lebesgue-유형 부등식으로 어떻게 변환되는가?
• RQ3 무조건적 회복 보장을 얻기 위한 충분한 조건은 딕셔너리의 유계성, Riesz 유사 특성 등 어떤 것들이 있는가?
• RQ4 함수 클래스 F에 대해 (2,m) 및 무한대 노름 간 sigma_v의 경계는 어떤 방식으로 관련되는가?
• RQ5 고전 시스템인 삼각/Gegenbauer 딕셔너리 및 혼합-매끄럼 함수 클래스에 이러한 결과가 어떻게 적용되는가?

주요 결과

• Lebesgue-유형의 부등식이 확립된다: LS 기반 희소 회복 오차는 이산화된 측정에 대한 최적 v-항 근사 오차의 L2에 대한 배수로 상한된다.
• 한쪽 유니버설 디스크리타이제이션 하에서 임의의 f에 대해 ||f - LS(ξ, X_v(D_N))(f)||_2는 sigma_v(f, D_N)_{L2(Ω, μ_ξ)}에 상수 배, 그리고 sigma_v(f, D_N)_∞에 상수 배로 상한된다.
• 무조건적 결과가 제시되며, 이는 유계성 및 Riesz형 조건을 만족하는 딕셔너리에 대해 분해화 특성과 대응하는 오차 상한을 제공한다(정리 1.3).
• 일정한 감소 및 근사 특성을 가진 딕셔너리(예: 삼각 시스템, Gegenbauer 다항식)에서는 LS 기반 회복 오차를 sigma_v(F, D_N)의 (2,m) 또는 무한대 노름으로 상한할 수 있음을 보여주는 보조정리들이 제시된다.
• 이 연구는 유니버설 디스크리타이제이션 결과를 비선형 희소 회복과 연결하며, 압축 측정 기술에 의존하지 않는 방향으로의 관계를 제시한다.