[논문 리뷰] BranchHull: Convex bilinear inversion from the entrywise product of signals with known signs

Alireza Aghasi, Ali Ahmed외 2명|arXiv (Cornell University)|2017. 02. 14.

Sparse and Compressive Sensing Techniques참고 문헌 28인용 수 5

한 줄 요약

이 논문은 부호가 알려져 있고, 두 벡터가 알려진 저차원 부분공간에 속해 있을 때, 그들의 원소별 곱으로부터 두 벡터를 복원하는 데 사용되는 볼록 최적화 프레임워크인 BranchHull을 소개한다. 이 방법은 측정값의 수가 부분공간 차원 수의 합의 두 배를 초과할 경우 스케일링 모호성 이외에 정확한 복원을 높은 확률로 달성하며, 밀도가 낮은 소음에 대해서는 선형 샘플 복잡도를 가지며 강건하다.

ABSTRACT

We consider the bilinear inverse problem of recovering two vectors, $x$ and $w$, in $\mathbb{R}^L$ from their entrywise product. For the case where the vectors have known signs and belong to known subspaces, we introduce the convex program BranchHull, which is posed in the natural parameter space that does not require an approximate solution or initialization in order to be stated or solved. Under the structural assumptions that $x$ and $w$ are members of known $K$ and $N$ dimensional random subspaces, we present a recovery guarantee for the noiseless case and a noisy case. In the noiseless case, we prove that the BranchHull recovers $x$ and $w$ up to the inherent scaling ambiguity with high probability when $L\ \gg\ 2(K+N)$. The analysis provides a precise upper bound on the coefficient for the sample complexity. In a noisy case, we show that with high probability the BranchHull is robust to small dense noise when $L = Ω(K+N)$. BranchHull is motivated by the sweep distortion removal task in dielectric imaging, where one of the signals is a nonnegative reflectivity, and the other signal lives in a known wavelet subspace. Additional potential applications are blind deconvolution and self-calibration.

연구 동기 및 목표

• 알려진 부호와 부분공간 제약 조건 하에서 원소별 곱으로부터 두 벡터를 복원하는 이중선형 역문제를 다루는 것.
• 초기화 또는 근사 해를 요구하지 않고 자연스러운 매개변수 공간에서 직접 볼록 프로그램을 설정함으로써 이러한 요구를 제거하는 것.
• 랜덤 부분공간 가정 하에 노이즈가 없는 경우 정확한 복원에 대한 이론적 보장을 제공하고, 노이즈가 있는 경우의 강건성도 확보하는 것.
• 비음수 신호가 저차원 부분공간에 존재하는 전자기 영상, 블라인드 디컨볼루션, 자기교정 등 실용적 응용을 가능하게 하는 것.

제안 방법

• 알려진 두 unknown 벡터의 매개변수 공간에 직접 설정된 볼록 최적화 프로그램인 BranchHull을 제안하며, 초기화가 필요하지 않다.
• 벡터의 알려진 부호를 이용해 볼록 타당 영역를 정의함으로써 이중선형 문제의 볼록 근사를 가능하게 한다.
• 두 신호의 곱공간 위에서 볼록 프로그램으로 변환하기 위해 레이징 기법을 사용한다.
• 알려진 부분공간과 부호 정보를 기반으로 제약 조건을 부과하여 해가 타당 점들의 볼록 hull 내에 존재하도록 보장한다.
• 표준 내점법을 통해 유도된 볼록 프로그램을 해결함으로써 전역 최적성과 안정성을 확보한다.
• 가우시안 랜덤 부분공간 가정 하에 랜덤 행렬 이론과 농도 부등식을 사용하여 복원 보장을 유도한다.

실험 결과

연구 질문

• RQ1 초기화 또는 근사 해 없이, 볼록 최적화 프로그램이 원소별 곱으로부터 두 벡터를 복원할 수 있는가?
• RQ2 신호가 랜덤 부분공간에 있고 부호가 알려져 있을 때, 정확한 복원을 위해 필요한 최소 측정값 수는 얼마인가?
• RQ3 노이즈에 따른 복원 성능은 어떻게 스케일링되며, 소음이 밀도가 낮을 경우에도 강건한가?
• RQ4 노이즈가 있는 경우 안정적 복원을 위한 정확한 샘플 복잡도 임계값은 무엇인가?
• RQ5 제시된 구조적 가정 하에 BranchHull의 볼록 형식화가 높은 확률로 정확한 복원을 달성하는가?

주요 결과

• 노이즈가 없는 경우, 측정값 수 L이 부분공간 차원 수 K와 N의 합의 두 배를 초과할 경우, 즉 L > 2(K + N)일 때, 높은 확률로 스케일링 모호성 이외의 진짜 벡터를 복원할 수 있다.
• 샘플 복잡도 계수에 대한 정확한 상한을 제시하여, L ≫ 2(K + N)이 고확률 복원을 위한 충분조건임을 보였다.
• 노이즈가 있는 경우, L = Ω(K + N)일 때 소음이 밀도가 낮은 경우에 강건하며, 소음 수준 ε에 대해 복원 오차가 O(√ε)로 스케일링된다.
• 수치적 결과는 L과 K + N 사이에 선형 관계가 성립함을 확인하였으며, 시뮬레이션에서 L > 2(K + N)일 경우 100% 복원 성공률 기록을 달성하였다.
• 실제 복원 오차는 노이즈 수준에 따라 선형적으로 증가하며, 이는 ε에 대한 선형 의존성을 시사하지만, 이론적으로 예측하는 √ε 스케일링과는 다소 다름으로써, 더 강력한 이론적 경계가 가능할 수 있음을 시사한다.
• 실제 응용에서 안정적인 복원을 위해 약 2.5의 샘플링 비율을 기록하였으며, 이는 L ≈ 2.5(K + N)이 강건한 추정을 위한 충분한 조건임을 나타낸다.