[论文解读] Sparse Signal Recovery from Quadratic Measurements via Convex Programming

Xiaodong Li, Vladislav Voroninski|arXiv (Cornell University)|Sep 21, 2012

Sparse and Compressive Sensing Techniques参考文献 6被引用 30

一句话总结

该论文提出了一种凸优化框架，通过使用 $β$-范数和迹最小化，从二次测量中恢复稀疏信号。在高斯测量向量下，通过结合 $\ell_1$-范数和迹最小化的改进型 PhaseLift 类程序，证明了当 $k \leq O(\sqrt{m / \log n})$ 时，以高概率可精确恢复 $k$-稀疏信号（至多相差一个相位因子）。

ABSTRACT

In this paper we consider a system of quadratic equations ||^2 = b_j, j = 1, ..., m, where x in R^n is unknown while normal random vectors z_j in R_n and quadratic measurements b_j in R are known. The system is assumed to be underdetermined, i.e., m < n. We prove that if there exists a sparse solution x, i.e., at most k components of x are non-zero, then by solving a convex optimization program, we can solve for x up to a multiplicative constant with high probability, provided that k <= O((m/log n)^(1/2)). On the other hand, we prove that k <= O(log n (m)^(1/2)) is necessary for a class of naive convex relaxations to be exact.

研究动机与目标

• 解决在测量数少于 $n$ 个二次测量时恢复稀疏信号的挑战，此时经典相位恢复因欠定而失效。
• 将压缩感知原理扩展至二次测量模型，特别是在稀疏设置下。
• 为稀疏相位恢复中的凸松弛方法提供理论保证，特别是在 $m \ll n$ 的情况下。
• 分析现有凸松弛方法的局限性，并确定精确恢复的临界阈值。

提出的方法

• 构建一个结合 $\ell_1$-范数最小化和迹最小化的凸规划，以在解中促进稀疏性和低秩结构。
• 基于高爾夫球方案（golfing scheme）的对偶证书方法，构造一个有效的对偶解，以证明精确恢复的可证性。
• 应用随机矩阵理论和浓度不等式，分析从标准正态分布独立同分布抽取的测量向量的行为。
• 采用基于 KKT 条件的论证方法，验证真实的稀疏信号 $\bm{x}\bm{x}^T$ 是该凸规划的唯一最小化解。
• 通过在迹最小化目标中增加 $\ell_1$-正则化项，引入一种改进的 PhaseLift 框架。
• 依赖高爾夫球方案，迭代构造一个满足最优性条件的对偶证书，且以高概率成立。

实验结果

研究问题

• RQ1 当测量数 $m$ 显著小于信号维度 $n$ 时，能否从二次测量中恢复稀疏信号？
• RQ2 在 $m$ 个二次测量下，凸松弛方法可精确恢复 $k$-稀疏信号的最大稀疏度 $k$ 是多少？
• RQ3 所提出的凸规划性能与稀疏相位恢复中良好设定的理论极限相比如何？
• RQ4 所提出的凸松弛方法是否紧致？即恢复阈值与信息论极限之间是否存在差距？
• RQ5 高爾夫球方案的对偶证书构造能否推广至非高斯测量集合以证明精确恢复？

主要发现

• 当 $k \leq O(\sqrt{m / \log n})$ 时，所提出的凸规划以高概率精确恢复真实的 $k$-稀疏信号 $\bm{x}$（至多相差一个乘法常数）。
• 恢复阈值 $k \leq O(\sqrt{m / \log n})$ 对于给定的凸松弛方法被证明是紧致的，意味着在相同框架下无法实现更优的恢复。
• 对于一类朴素的凸松弛方法，精确恢复的必要条件为 $k \leq O(\log n \cdot \sqrt{m})$，表明必要条件与充分条件之间存在差距。
• 当测量数满足上述稀疏度界限时，通过高爾夫球方案构造对偶证书的成功概率很高。
• 当 $m \ll n$ 时，只要信号足够稀疏且测量向量为独立同分布的标准高斯分布，该方法仍能实现精确恢复。
• 分析表明，该凸松弛方法在信息论极限意义上并非紧致，因为恢复阈值严格低于信息论极限，提示存在改进模型形式的空间。