[論文レビュー] Complex Trainable ISTA for Linear and Nonlinear Inverse Problems

Satoshi Takabe, Tadashi Wadayama+1 more|arXiv (Cornell University)|Apr 16, 2019

Sparse and Compressive Sensing Techniques参考文献 25被引用数 6

ひとこと要約

本稿では、Wirtinger微分と学習可能な複素数ス hrinkage 関数を用いて、複素数値非線形逆問題に特化した、深層アンフォールディングベースのアルゴリズムである複素数可学習 ISTA（C-TISTA）を提案する。C-TISTAは、高速な収束性とわずか4Tの学習可能なパラメータで優れた信号再構成性能を達成し、圧縮センシングおよびクリッピングされたOFDM検出において、既存の手法を上回っている。

ABSTRACT

Complex-field signal recovery problems from noisy linear/nonlinear measurements appear in many areas of signal processing and wireless communications. In this paper, we propose a trainable iterative signal recovery algorithm named complex-field TISTA (C-TISTA) which treats complex-field nonlinear inverse problems. C-TISTA is based on the concept of deep unfolding and consists of a gradient descent step with the Wirtinger derivatives followed by a shrinkage step with a trainable complex-valued shrinkage function. Importantly, it contains a small number of trainable parameters so that its training process can be executed efficiently. Numerical results indicate that C-TISTA shows remarkable signal recovery performance compared with existing algorithms.

研究の動機と目的

• 既存の深層アンフォールディング手法が複素数値非線形逆問題を扱う際の制限を解消すること。
• 複素数信号の相関関係を破壊する実数値変換に起因する性能劣化を回避すること。
• 最小限の学習可能なパラメータでスケーラブルかつ安定した複素数領域信号再構成のためのトレーニングフレームワークを開発すること。
• アンプクリッピングOFDMや複素数圧縮センシングのような非線形システムにおいて、効果的な再構成を可能にすること。
• Wirtinger微分と学習可能な複素数ス hrinkage 関数を統合し、従来手法と比較して収束性と精度を向上させること。

提案手法

• C-TISTAは、複素数値反復ソフトス hrinkage アルゴリズム（ISTA）の深層アンフォールディングを、複素数勾配計算にWirtinger微分を用いることで導出する。
• アルゴリズムは、複素数ヘッシアンとWirtinger微分を用いて勾配降下ステップを実行し、信号推定値を更新する。
• 固定されたソフトス hrinkage に代えて、学習可能な複素数ス hrinkage 関数を導入することで、信号統計と非線形性に適応可能となる。
• 反復間で重みを共有することにより、合計4Tの少数の学習可能なパラメータで実現し、トレーニングの効率性と安定性を確保する。
• ス hrinkage 関数は、ラベル付きトレーニングデータを用いた誤差逆伝播法と確率的勾配降下法により最適化される。
• アンプクリッピングなどの非線形観測モデルは、関数 $ f_c(z) $ を直接モデル化し、ネットワークが歪みを補償するように学習する。

実験結果

リサーチクエスチョン

• RQ1 実数値表現に変換せずに、複素数値非線形逆問題を効果的に取り扱える深層アンフォールディングフレームワークは存在するか？
• RQ2 Wirtinger微分と学習可能な複素数ス hrinkage 関数を用いることで、実数値または固定閾値手法と比較して、信号再構成性能がどのように向上するか？
• RQ3 クリッピングされたOFDMのような非線形システムにおいて、C-TISTAは従来の検出器や実数値深層学習手法に比べてどの程度の性能向上を達成するか？
• RQ4 C-TISTAの学習可能なパラメータ数は、既存の深層アンフォールディングモデルと比較して、トレーニングの安定性と収束速度にどのように影響するか？
• RQ5 C-TISTAは、OFDMシステムにおけるアンプクリッピングによる信号歪みをどの程度補償できるか？

主な発見

• C-TISTAは、複素数圧縮センシングにおいて8反復で約-26 dBの正規化MSEを達成し、AMP、CAMP、C-LISTAを顕著に上回る性能を示した。
• C-LISTAよりも収束が速く、6反復で-25 dBのMSEに到達したのに対し、C-LISTAはより多くの反復を要し、パラメータ数も多かった。
• PAPRが5 dBの16-QAMクリッピングOFDMシステムにおいて、C-TISTAはDFTおよびC-TISTA（線形）と比較してSER = 1.0×10⁻³で2 dBのSNR利得を達成した。
• PAPRが1.5 dBの状況では、C-TISTAの線形手法に対する性能優位性がさらに顕著になり、非線形歪みの効果的補償が確認された。
• C-TISTAは、さまざまなSNRおよびPAPRレベルにおいてもMSE性能に優れた安定性を示し、非線形信号検出における耐障害性を実証した。
• わずか4Tの学習可能なパラメータでさえ、C-LISTA（$ n^2 + nm + T $ パラメータ）よりも優れた収束性と最終的性能を達成しており、トレーニング効率性とスケーラビリティの優位性が示された。