[論文レビュー] Sparse Legendre expansions via $\ell_1$ minimization

Holger Rauhut, Rachel Ward|arXiv (Cornell University)|Mar 1, 2010

Sparse and Compressive Sensing Techniques参考文献 36被引用数 5

ひとこと要約

本稿では、$ m acksimeq s\log^4 N $ 個のランダムサンプルが、$[-1,1]$ 上のチエビシェフ測度に従って抽出された場合、$\ell_1$-最小化を用いてスパースなレジェンドル多項式展開を正確に回復できることを確立している。主な貢献は、非有界な基底関数（特に $\pm1$ 近傍で無限大に発散する）を含む場合でも、前処理を施したレジェンドル行列に対する制限等長性性質（RIP）を証明したことである。これにより、安定な回復が可能となり、結果はジャコビ多項式や無限次元関数空間における関数近似へと拡張可能である。

ABSTRACT

We consider the problem of recovering polynomials that are sparse with respect to the basis of Legendre polynomials from a small number of random samples. In particular, we show that a Legendre s-sparse polynomial of maximal degree N can be recovered from m = O(s log^4(N)) random samples that are chosen independently according to the Chebyshev probability measure. As an efficient recovery method, l1-minimization can be used. We establish these results by verifying the restricted isometry property of a preconditioned random Legendre matrix. We then extend these results to a large class of orthogonal polynomial systems, including the Jacobi polynomials, of which the Legendre polynomials are a special case. Finally, we transpose these results into the setting of approximate recovery for functions in certain infinite-dimensional function spaces.

研究の動機と目的

• スパースな $s$-次レジェンドル多項式展開を、少数のランダムサンプルから、正当に安定した方法で回復するためのフレームワークを構築すること。
• 従来の圧縮センシング結果が一様有界な基底を仮定していたという制限を克服し、レジェンドル多項式のような非有界な直交系を許容すること。
• 無限次元関数空間における関数、特に $\ell_p$-summable なフーリエ＝レジェンドル係数（$0 < p < 1$）を持つ関数に対して、回復保証を確立すること。
• チエビシェフ測度という普遍的なサンプリング測度を用いて、ジャコビ多項式を含む広範な直交多項式クラスへとフレームワークを拡張すること。
• 前処理が、非一様有界な基底関数を持つランダムサンプリング行列に対して制限等長性性質（RIP）を確立できることを示すこと。

提案手法

• チエビシェフ測度 $d\nu(x) = \pi^{-1}(1-x^2)^{-1/2}dx$ に従って抽出されたランダムサンプルから、$\ell_1$-最小化を用いてスパースなレジェンドル係数ベクトルを回復する。
• レジェンドル多項式が $\pm1$ 近傍で非有界であることを補償する前処理を施したランダムレジェンドル行列に対して、制限等長性性質（RIP）を証明する。
• 特にノイズを考慮した $\ell_1$-最小化の既知の結果を応用し、サンプリングおよびノイズモデル下での誤差境界を導出する。
• ステフキンの推定と $\ell_p$-summable 係数の性質を活用し、関数空間における近似誤差を制限する。
• テンソル積多変数多項式およびジャコビ多項式への応用を検討し、チエビシェフ測度がサンプリングに最適であることを確認する。
• 高速レジェンドル変換アルゴリズムを用いて、高次元設定下でも計算の実行可能性を保証する。

実験結果

リサーチクエスチョン

• RQ1 基底関数が領域端点付近で非有界である場合、スパースなレジェンドル多項式展開を、サブリニア数のランダムサンプルから回復できるか？
• RQ2 $\ell_1$-最小化は、一様有界性を満たさない直交多項式基底を用いた圧縮センシングにおいても有効に機能するか？
• RQ3 前処理を用いることで、非一様有界な基底関数を持つランダムサンプリング行列に対し、制限等長性性質（RIP）を確立できるか？
• RQ4 チエビシェフ測度は、異なる重み関数を持つ直交多項式展開の圧縮センシングにおいて、普遍的に最適なサンプリング測度であるか？
• RQ5 回復フレームワークは、$\ell_p$-summable 係数を持つ無限次元関数空間における関数近似へと拡張可能か？

主な発見

• 次数 $N$ のスパースなレジェンドル多項式（$s$-スパース）は、高確率で $m \asymp s\log^4 N$ 個のチエビシェフ測度に従うランダムサンプルから正確に回復可能である。
• 前処理を施したランダムレジェンドル行列に対して、制限等長性性質（RIP）が成立し、安定な $\ell_1$-最小化による回復が可能である。
• 本手法は、有限台を持つ重み関数に従い、ややいびつな連続性条件を満たすジャコビ多項式や他の直交系へも拡張可能である。
• $\ell_p$-summable なフーリエ＝レジェンドル係数（$0 < p < 1$）を持つ関数 $A_q \cap A_{1,\alpha}$ に対して、誤差 $\mathcal{O}(s^{1-1/q})$ の近似的に最適な近似が達成される。
• スパースなレジェンドル展開を持つ関数の $\ell_1$-再構成に必要なサンプル数は $m \asymp s\log^3 s \log N$ であり、誤差境界は $\mathcal{O}(s^{1-1/q})$ のオーダーに比例する。
• チエビシェフ測度は、このクラスの直交多項式に対して普遍的であり、特定の重み関数に依存せずに最適なサンプリング測度のまま保たれる。