[论文解读] Active Search for Sparse Signals with Region Sensing

Yifei Ma, Roman Garnett+1 more|arXiv (Cornell University)|Dec 2, 2016

Optimization and Search Problems被引用 4

一句话总结

本文提出区域感知指数（RSI），一种主动搜索算法，通过矩形区域的噪声测量而非仅点测量，高效定位稀疏信号。通过贪婪最大化信息增益，RSI 实现了 ˜O(n/µ² + k²) 次测量，以低贝叶斯误差恢复 k 个信号位置，优于被动方法，并在 1D 和高维设置下（使用卫星数据）表现出色。

ABSTRACT

Autonomous systems can be used to search for sparse signals in a large space; e.g., aerial robots can be deployed to localize threats, detect gas leaks, or respond to distress calls. Intuitively, search algorithms may increase efficiency by collecting aggregate measurements summarizing large contiguous regions. However, most existing search methods either ignore the possibility of such region observations (e.g., Bayesian optimization and multi-armed bandits) or make strong assumptions about the sensing mechanism that allow each measurement to arbitrarily encode all signals in the entire environment (e.g., compressive sensing). We propose an algorithm that actively collects data to search for sparse signals using only noisy measurements of the average values on rectangular regions (including single points), based on the greedy maximization of information gain. We analyze our algorithm in 1d and show that it requires $ ilde{O}(\frac{n}{μ^2}+k^2)$ measurements to recover all of $k$ signal locations with small Bayes error, where $μ$ and $n$ are the signal strength and the size of the search space, respectively. We also show that active designs can be fundamentally more efficient than passive designs with region sensing, contrasting with the results of Arias-Castro, Candes, and Davenport (2013). We demonstrate the empirical performance of our algorithm on a search problem using satellite image data and in high dimensions.

研究动机与目标

• 开发一种主动搜索算法，利用聚合区域测量高效定位大规模空间中的稀疏信号。
• 解决现有方法中忽略区域感知或假设不切实际感知模型的缺陷。
• 证明主动区域感知在测量效率方面可显著优于被动设计。
• 在存在噪声的连续区域感知约束下，为恢复性能提供理论保证。
• 在卫星图像数据和高维搜索空间中对方法进行实证验证。

提出的方法

• 提出区域感知指数（RSI）算法，通过贪婪最大化信息增益来选择具有信息量的矩形区域测量。
• 将观测建模为包含单点在内的矩形区域上的噪声平均值，具有独立的高斯噪声。
• 采用贝叶斯框架，在信号位置上维护后验分布，并在每次测量后更新信念。
• 使用信息论准则选择能最大程度减少后验熵的下一个区域。
• 推导测量复杂度的理论边界，表明 RSI 在准确恢复下仅需 ˜O(n/µ² + k²) 次测量。
• 在真实卫星图像（NAIP 数据集）上验证方法，将信噪比建模为区域大小的函数。

实验结果

研究问题

• RQ1 与被动扫描相比，主动区域感知是否能显著提升稀疏信号检测中的搜索效率？
• RQ2 在测量复杂度方面，主动区域感知与无约束压缩感知相比表现如何？
• RQ3 在存在噪声的连续区域感知条件下，主动搜索算法的理论测量复杂度是多少？
• RQ4 信息增益最大化能否在基于区域观测的高维空间中实现高效且可扩展的搜索？
• RQ5 在真实成像场景中，信号强度和噪声变化时，最优区域感知尺寸如何变化？

主要发现

• RSI 实现了 ˜O(n/µ² + k²) 的测量复杂度，以小贝叶斯误差恢复 k 个信号位置，尽管感知约束强烈，其性能仍与无约束压缩感知相当。
• 使用 RSI 的主动区域感知显著优于被动设计，后者在 1D 中本质上受限于串行扫描，无论信号强度如何。
• 理论分析表明，在连续区域感知下，主动设计相比被动设计可实现显著的效率提升，这与 Arias-Castro 等人（2013）的结论相矛盾，后者假设了无约束感知。
• 在 NAIP 卫星图像上的实证结果表明，成功检测到蓝色物体，最优区域尺寸在均匀先验下为 32×32 像素。
• 信噪比（SNR）随区域尺寸增加而下降，从 1×1 时的 8.5 降至 128×128 时的 0.3，验证了自适应区域选择的必要性。
• 该方法在高维搜索空间中表现出可扩展性和有效性，证实其在机器人和遥感应用中的实际价值。