[論文レビュー] Iterative Null-space Projection Method with Adaptive Thresholding in Sparse Signal Recovery and Matrix Completion

Ashkan Esmaeili, Ehsan Asadi+1 more|arXiv (Cornell University)|Oct 2, 2016

Sparse and Compressive Sensing Techniques参考文献 16被引用数 11

ひとこと要約

本稿では、反復的ノルム空間射影と適応しきい値処理を組み合わせた新規なスパース信号再構成アルゴリズム、Iterative Null-space Projection Method with Adaptive Thresholding (INPMAT) を提案する。この手法は、測定行列のノルム空間にしきい値処理を施した推定値を反復的に射影することで再構成精度を向上させる。LASSO や OMP もしくは IMAT より優れた性能を発揮し、特に低サンプリングレート下で顕著な効果を示し、測定値がスパースリティの2倍に近づく際には出力SNRが最大80 dBに達する。

ABSTRACT

Adaptive thresholding methods have proved to yield high SNRs and fast convergence in finding the solution to the Compressed Sensing (CS) problems. Recently, it was observed that the robustness of a class of iterative sparse recovery algorithms such as Iterative Method with Adaptive Thresholding (IMAT) has outperformed the well-known LASSO algorithm in terms of reconstruction quality, convergence speed, and the sensitivity to the noise. In this paper, we introduce a new method towards solving the CS problem. The logic of this method is based on iterative projections of the thresholded signal onto the null-space of the sensing matrix. The thresholding is carried out by recovering the support of the desired signal by projection on thresholding subspaces. The simulations reveal that the proposed method has the capability of yielding noticeable output SNR values with about as many samples as twice the sparsity number, while other methods fail to recover the signals when approaching the algebraic bound for the number of samples required. The computational complexity of our method is also comparable to other methods as observed in the simulations. We have also extended our Algorithm to Matrix Completion (MC) scenarios and compared its efficiency to other well-reputed approaches for MC in the literature.

研究の動機と目的

• ノイズ環境下でも従来手法（LASSO や OMP など）を上回る、よりロバストで高速なスパース信号再構成アルゴリズムの開発。
• 測定数がスパースリティの2倍に近づく低サンプリングレート領域において、従来手法に見られる再構成不能の問題を解消すること。
• 提案手法を行列補完（MC）の状況に拡張し、Soft-Impute や SVT より優れた性能を発揮すること。
• 反復ステップにおける疑似逆行列の計算に依存しないことにより、計算効率と数値的安定性を向上させること。
• 特に低サンプリングレート下で、ガウス測定行列よりもランダムサンプリング（RS）がスパース再構成において優れていることを調査すること。

提案手法

• 信号の現在の推定値に対して、反復的に適応しきい値処理を適用し、最も顕著な成分のみを保持する。
• しきい値処理後、アルゴリズムは得られた信号を測定行列 Φ のノルム空間に射影することで、制約条件 y = Φx を満たすようにする。
• 射影ステップにより、更新された推定値が測定方程式と整合的でありながら、スパース性を促進することが保証される。
• 適応しきい値処理により、反復の進行に従いしきい値を指数関数的に低下させることで、最もスパースな解への収束が可能になる。
• 行列補完には、同様にノルム空間射影と適応しきい値処理の原則を低ランク行列再構成に適用することで、アルゴリズムを拡張する。
• 各反復において疑似逆行列を明示的に計算しないことで、数値的安定性が向上し、計算コストが削減される。

実験結果

リサーチクエスチョン

• RQ1 反復的ノルム空間射影と適応しきい値処理を組み合わせた手法は、スパース信号再構成において LASSO や OMP もしくは IMAT よりも優れた信号再構成SNRを達成できるか？
• RQ2 特に低サンプリングレート下で、ランダムサンプリング（RS）とガウス測定行列の間で、本手法の性能にどのような差が生じるか？
• RQ3 本手法は、Soft-Impute や SVT もしくは SL0 といった最先端の行列補完アルゴリズムをどの程度上回るか？
• RQ4 反復処理において疑似逆行列の計算を排除することで、従来手法と比較してロバスト性と収束速度が向上するか？
• RQ5 測定数がスパースリティの2倍に近づく際の、成功再構成の理論的および実験的しきい値は何か？

主な発見

• 測定数がスパースリティの2倍に近づく領域では、他の手法が信号を再構成できなくなる中、提案手法 INPMAT は最大80 dBの出力SNRを達成する。
• 行列補完において、MIMAT（行列補完版）は65%の欠損データ下でRMSEが0に達し、SVT（RMSE ≈ 0.3）や Soft-Impute（RMSE > 0.2）を上回る性能を示す。
• 25%のサンプリングレート下では、ランダムサンプリング（RS）が80 dBの出力SNRを達成するが、ガウス測定行列では信号の再構成が完全に失敗する。
• 50%以上のサンプリングレートでは、RS とガウス測定行列の性能は類似するが、低レートではRSが一貫して優れている。
• 欠損率80%を超える行列補完において、本手法は SL0 よりもRMSEが0.2低い性能を発揮する。
• 実行時間解析から、INPMAT の実行時間は、比較可能な手法の最小実行時間の2倍を超えることはなく、計算効率に優れていることが示された。