[论文解读] Approximate Message Passing for Amplitude Based Optimization

Junjie Ma, Ji Xu+1 more|arXiv (Cornell University)|Jun 8, 2018

Sparse and Compressive Sensing Techniques参考文献 27被引用 7

一句话总结

该论文提出了一种近似消息传递算法（AMP.A），用于基于振幅的相位恢复优化，通过 $\delta$-正则化的非凸优化方法，从含噪的无相位测量中恢复复信号。在渐近极限 $m,n\to\infty$，$m/n\to\delta$ 下，AMP.A 仅需 $\delta \approx 2.5n$ 次测量即可实现精确恢复，并对噪声和初始化具有鲁棒性，其性能边界通过状态演化分析得到精确推导。

ABSTRACT

We consider an $\ell_2$-regularized non-convex optimization problem for recovering signals from their noisy phaseless observations. We design and study the performance of a message passing algorithm that aims to solve this optimization problem. We consider the asymptotic setting $m,n ightarrow \infty$, $m/n ightarrow δ$ and obtain sharp performance bounds, where $m$ is the number of measurements and $n$ is the signal dimension. We show that for complex signals the algorithm can perform accurate recovery with only $m=\left ( \frac{64}{π^2}-4 ight)n\approx 2.5n$ measurements. Also, we provide sharp analysis on the sensitivity of the algorithm to noise. We highlight the following facts about our message passing algorithm: (i) Adding $\ell_2$ regularization to the non-convex loss function can be beneficial even in the noiseless setting; (ii) spectral initialization has marginal impact on the performance of the algorithm.

研究动机与目标

• 开发一种计算高效的信道传递算法，用于求解非凸振幅基相位恢复问题。
• 利用渐近分析，为该算法在无噪声和有噪声环境下的性能提供精确的理论边界。
• 研究 $\delta$-正则化与谱初始化对恢复性能的影响。
• 在不同信号和初始化条件下，通过实验对比 AMP.A 与当前最先进的算法（如 TWF、TAF 和 IRWF）。
• 为 AMP.A 建立严谨的状态演化框架，特别是在解耦谱初始化的背景下。

提出的方法

• 该算法基于近似消息传递（AMP）原理求解非凸优化问题 $\min_{\bm{x}} \sum_{a=1}^m (y_a - |(\bm{Ax})_a|)^2 + \frac{\mu}{2}\|\bm{x}\|_2^2$。
• 推导出状态演化方程，以刻画在渐近极限 $m,n\to\infty$，$m/n\to\delta$ 下，AMP.A 迭代序列的均方误差（MSE）。
• 该方法采用一种解耦的谱初始化策略，实证表明其具有鲁棒性，且对最终性能影响极小。
• 理论分析包括对精确恢复所需最小测量数的严格边界推导，复信号下 $\delta_{\mathrm{AMP}} \approx 2.48$。
• 通过模拟实验，将 AMP.A 与 GS、TWF、TAF、IRWF 和 RAF 在不同信号模型和初始化方案下进行对比验证。
• 该算法被扩展至实值信号，其状态演化预测与实验中观测到的相变行为一致，相变区间为 $\delta \approx 1.4-1.5$。

实验结果

研究问题

• RQ1 在渐近极限下，AMP.A 实现精确信号恢复所需的最少无相位测量数是多少？
• RQ2 在无噪声和有噪声环境下，$\delta$-正则化如何提升性能？
• RQ3 谱初始化在多大程度上影响 AMP.A 的收敛性和准确性？
• RQ4 在恢复率和测量效率方面，AMP.A 与其它当前最先进的相位恢复算法相比表现如何？
• RQ5 能否为采用解耦谱初始化的 AMP.A 建立严谨的状态演化框架？

主要发现

• 在无噪声设置下，AMP.A 仅需 $\delta = \left(\frac{64}{\pi^2} - 4\right)n \approx 2.5n$ 次测量即可实现复信号的精确恢复。
• 该算法对噪声具有鲁棒性，其性能边界通过状态演化分析精确推导，准确捕捉了噪声方差的影响。
• 谱初始化对性能影响微乎其微，AMP.A 即使在初始估计较差（如 $\bm{x}^0 = \mathbf{1}$）时也能稳定收敛。
• 在模拟实验中，AMP.A 在各种信号模型下均优于 TWF、TAF、IRWF 和 RAF，尤其在 $\delta \approx 2.48$（收敛的理论阈值）附近表现突出。
• 对于实值信号，AMP.A 在 $\delta = 1.4$ 到 $\delta = 1.5$ 之间表现出相变行为，与理论预测 $\delta_{\mathrm{AMP}} = \frac{\pi^2}{4} - 1$ 一致。
• 当信号分布完全已知时，贝叶斯 GAMP 表现具有竞争力，但在实际场景中此类知识通常不可用，此时 AMP.A 仍表现更优。