[論文レビュー] Sparse Bayesian Learning Approach for Discrete Signal Reconstruction

Jisheng Dai, An Liu+1 more|arXiv (Cornell University)|Jun 1, 2019

Sparse and Compressive Sensing Techniques参考文献 46被引用数 5

ひとこと要約

本稿では、理想のデルタ関数型事前分布の取り扱いが困難である問題を解決するため、離散化を促進する事前分布を導入することで、離散信号再構成のための新しいスパースベイズ学習（SBL）フレームワークを提案する。変分ベイズ推論（VBI）と、同一分布に従うガウス測定行列に対しては一般化された近似的なメッセージパッシング（GAMP）を用い、スパarsityと有限アルファベット制約を同時に活用することで、従来のSOAVおよびSBL手法よりも優れた再構成性能を達成し、特にノイズなしおよびi.i.d.設定下で顕著な優位性を示す。

ABSTRACT

This study addresses the problem of discrete signal reconstruction from the perspective of sparse Bayesian learning (SBL). Generally, it is intractable to perform the Bayesian inference with the ideal discretization prior under the SBL framework. To overcome this challenge, we introduce a novel discretization enforcing prior to exploit the knowledge of the discrete nature of the signal-of-interest. By integrating the discretization enforcing prior into the SBL framework and applying the variational Bayesian inference (VBI) methodology, we devise an alternating optimization algorithm to jointly characterize the finite-alphabet feature and reconstruct the unknown signal. When the measurement matrix is i.i.d. Gaussian per component, we further embed the generalized approximate message passing (GAMP) into the VBI-based method, so as to directly adopt the ideal prior and significantly reduce the computational burden. Simulation results demonstrate substantial performance improvement of the two proposed methods over existing schemes. Moreover, the GAMP-based variant outperforms the VBI-based method with i.i.d. Gaussian measurement matrices but it fails to work for non i.i.d. Gaussian matrices.

研究の動機と目的

• 任意の有限アルファベットを持つ離散信号の再構成という課題に取り組む。これは、従来の圧縮センシング手法がモデル化の不一致により失敗するためである。
• 標準的なSBLフレームワークにおいて、理想の離散化事前分布（デルタ関数混合）の下でのベイズ推論の非可解性を克服する。
• アルファベットに確率ゼロを仮定しないまま、信号のスパarsityと離散的アルファベット制約を同時にモデル化できる、実行可能なSBLベースの手法を開発する。
• VBIフレームワークにGAMPを統合することで、i.i.d.ガウス測定行列に対する効率的な再構成を実現し、計算効率と性能を向上させる。
• GAMPベースの変種とは異なり、非i.i.d.測定行列に対しても効果を発揮する、頑健なソリューションを提供する。

提案手法

• 信号の有限アルファベット性をモデル化できる、新しい離散化を促進する事前分布（式7）を導入し、ベイズ推論を実行可能にする。
• 新規事前分布をSBLフレームワークに統合し、変分ベイズ推論（VBI）を適用して、逐次最適化により信号とハイパーパrameterを同時に推定する。
• KLダイバージェンスの最小化を用いて、信号、ハイパーパラメータ、離散割り当て変数の変分後確率分布の閉形式更新式を導出する。
• i.i.d.ガウス測定行列の設定では、GAMPをVBIフレームワークに組み込み、理想の離散化事前分布を直接活用し、計算複雑性を低減する。
• スパarsityとノイズをモデル化するため、ガンマ分布と複素正規分布を用いた階層的事前分布構造を採用し、ハイパーパrameterの自動学習を可能にする。
• 信号推定値、精度パラメータ、離散割り当て確率を交互に更新する反復的最適化スキームを実装する。

実験結果

リサーチクエスチョン

• RQ1 理想の離散化事前分布（デルタ関数混合）の非可解性を扱える、実行可能なSBLフレームワークを構築できるか？
• RQ2 有限アルファベット制約をSBLフレームワークに効果的に統合することで、標準SBLおよびSOAV手法を上回る再構成精度を達成できるか？
• RQ3 VBIベースのSBLフレームワークにGAMPを統合することで、i.i.d.ガウス測定行列下で計算コストを顕著に削減し、性能を維持または向上できるか？
• RQ4 非i.i.d.ガウス測定行列下での本手法の性能はどの程度か？また、なぜGAMPベースの変種はこのような状況で失敗するのか？
• RQ5 SOAV、BODAMP、および標準SBLといった既存の最先端手法と比較して、本手法は成功確率およびシンボル誤り率（SER）の観点でどの程度優れているか？

主な発見

• 本手法のVBIベースのアプローチは、さまざまな信号次元およびSNRレベルにおいて、最先端のSOAVおよび標準SBL手法を常に上回る成功確率およびシンボル誤り率（SER）を達成する。
• i.i.d.ガウス測定行列の設定では、GAMPベースの変種がVBIベースの手法よりも高い成功確率を示し、再構成性能の向上を実証する。
• GAMPベースの手法は、VBIおよび他のソルバーよりも著しく短い実行時間を達成し、i.i.d.条件下で近似的に最適な性能を、低い計算コストで達成する。
• VBIベースの手法は、相関のある（非i.i.d.な）測定行列下でも頑健な性能を維持するが、GAMPベースの変種はi.i.d.仮定が満たされないため失敗する。
• ノイズなし条件下で $ L=8 $、$ riangle = 0.8 $、$ N=100 $ の場合、提案手法のVBI法は成功確率がほぼ1.0に達し、GAMP変種も0.98を超える。SOAVおよびBODAMPを上回る性能を示す。
• 本手法は、すべての比較手法よりも低いSERを達成し、$ N=400 $ およびSNR=20 dBの条件下でSERが $ 10^{-2} $ 未満に低下する。これにより、強力な頑健性と精度が裏付けられる。