[논문 리뷰] SAT-based Compressive Sensing

Milton Halem, Tim Finin|arXiv (Cornell University)|2019. 03. 06.

Sparse and Compressive Sensing Techniques참고 문헌 34인용 수 7

한 줄 요약

이 논문은 ℓ1-최소화보다 더 적은 측정값으로 정확한 신호 복원을 가능하게 하는 새로운 SAT 기반 접근법을 제안한다. 이는 NP-난해한 희소 복원 문제를 가중치가 부여된 MAX-SAT로 환원함으로써 이루어지며, 특히 매우 희소한 이진 신호(s/N ≈ 0.1)의 경우 ℓ1-최소화보다 8.3% 적은 측정값을 요구한다. 또한 고희소성(s/N ≈ 0.5) 조건에서도 강건성을 유지하며, 전통적인 ℓ1-기반 복원보다 우수한 성능을 보인다.

ABSTRACT

We propose to reduce the original well-posed problem of compressive sensing to weighted-MAX-SAT. Compressive sensing is a novel randomized data acquisition approach that linearly samples sparse or compressible signals at a rate much below the Nyquist-Shannon sampling rate. The original problem of compressive sensing in sparse recovery is NP-hard; therefore, in addition to restrictions for the uniqueness of the sparse solution, the coding matrix has also to satisfy additional stringent constraints -usually the restricted isometry property (RIP)- so we can handle it by its convex or nonconvex relaxations. In practice, such constraints are not only intractable to be verified but also invalid in broad applications. We first divide the well-posed problem of compressive sensing into relaxed sub-problems and represent them as separate SAT instances in conjunctive normal form (CNF). After merging the resulting sub-problems, we assign weights to all clauses in such a way that the aggregated weighted-MAX-SAT can guarantee successful recovery of the original signal. The only requirement in our approach is the solution uniqueness of the associated problems, which is notably looser. As a proof of concept, we demonstrate the applicability of our approach in tackling the original problem of binary compressive sensing with binary design matrices. Experimental results demonstrate the supremacy of the proposed SAT-based compressive sensing over the ℓ₁-minimization in the robust recovery of sparse binary signals. SAT-based compressive sensing on average requires 8.3% fewer measurements for exact recovery of highly sparse binary signals (s/N≈0.1). When s/N≈0.5, the ℓ₁-minimization on average requires 22.2% more measurements for exact reconstruction of the binary signals. Thus, the proposed SAT-based compressive sensing is less sensitive to the sparsity of the original signals.

연구 동기 및 목표

• 원래의 압축 감지 문제의 비가역성(ℓ0-최소화로 인한 NP-난해성)을 해결하기 위해.
• 제한 조건이 엄격한 제약 조건(예: 제한 이sovmetry 성질(RIP))에 의존하는 기존 방법의 한계를 극복하기 위해. 이러한 제약 조건은 실제 응용에서 검증하기 어렵고 자주 성립하지 않는다.
• 현대적 SAT 솔버와 압축 감지를 연결하기 위해, 희소 복원 문제를 가중치가 부여된 MAX-SAT 인스턴스로 공식화하기 위해.
• 해결책의 유일성—RIP가 아닌 것—이 성공적인 복원에 충분하다는 것을 입증하기 위해.

제안 방법

• 원래의 압축 감지 문제를 두 개의 완화된 부분 문제로 분해한다: Ax = y를 푸는 부분 문제와 가장 희소한 해를 찾는 부분 문제.
• 각 부분 문제를 순차적으로 부울 SAT 인스턴스로 표현하며, 이는 논리합정규형(CNF) 형태로 구현된다.
• 두 개의 CNF 인스턴스를 논리곱(AND) 연산자를 사용해 통합하여 하나의 더 큰 CNF 공식을 구성한다.
• 통합된 CNF의 절들에 가중치를 할당함으로써, 결과적으로 가중치가 부여된 MAX-SAT의 최적 해가 원래의 희소 신호와 정확히 일치하도록 한다.
• 이 방법은 제한적인 제약 조건(예: RIP)이 아닌, 원래 문제의 해의 유일성에 의존하여 구현된다.
• 기호 계산은 Z3 정리 증명기(Z3 theorem prover)를 사용하며, 이는 이진 설계 행렬을 사용한 이진 압축 감지에서 평가된다.

실험 결과

연구 질문

• RQ1 압축 감지에서 희소 복원의 NP-난해 문제를 효과적으로 가중치가 부여된 MAX-SAT 문제로 재정의할 수 있는가?
• RQ2 SAT 기반 접근법이 측정값 감소 및 오차 강건성 측면에서 ℓ1-최소화보다 더 나은 복원 성능을 보일 수 있는가?
• RQ3 희소성 수준이 변화함에 따라, 특히 s/N이 증가할 경우 SAT 기반 방법의 성능은 어떻게 되는가?
• RQ4 제한 이sovmetry 성질(RIP)과 같은 엄격한 제약 조건에 의존하지 않고도 이 방법이 성공할 수 있는가?
• RQ5 전통적인 ℓ1-기반 복원에 비해 SAT 기반 접근법이 고희소성에 더 강건한가?

주요 결과

• 매우 희소한 이진 신호(s/N ≈ 0.1)의 정확한 복원을 위해 SAT 기반 압축 감지법은 ℓ1-최소화보다 평균 8.3% 적은 측정값을 요구한다.
• 희소성 수준이 s/N ≈ 0.5로 증가할 경우, ℓ1-최소화는 정확한 재구성에 평균 22.2% 더 많은 측정값이 필요하지만, SAT 기반 방법은 여전히 강건성을 유지한다.
• SAT 기반 방법은 평균 복원 오차 측면에서 ℓ1-최소화를 능가하며, 특히 노이즈가 있거나 희소성이 높은 환경에서 두드러진다.
• 이 방법은 ℓ1-최소화보다 희소성 비율에 덜 민감하여 다양한 신호 밀도에서 더 높은 강건성을 보인다.
• 이 방법은 유일한 해라는 조건만을 가정함으로써 정확한 복원을 달성한다. 이는 기존 방법에서 요구하는 RIP나 기타 구조적 제약 조건보다 훨씬 느슨한 조건이다.
• 실험 결과는 SAT 기반 방법이 실현 가능하고 성능 면에서 열등하지 않음을 확인하였으며, 기호 계산으로 인해 더 높은 계산 자원이 요구된다는 점을 고려할 때도 여전히 뛰어난 성능을 보인다.