[论文解读] Asymptotic Analysis of Complex LASSO via Complex Approximate Message Passing (CAMP)

Arian Maleki, Laura Anitori+2 more|arXiv (Cornell University)|Aug 1, 2011

Sparse and Compressive Sensing Techniques被引用 15

一句话总结

本文提出复数近似消息传递（CAMP）以解决压缩感知中的复数LASSO问题，将状态演化框架扩展至复数域。推导出CAMP与复数LASSO的精确渐近性能极限——相变与噪声敏感度，表明在高欠采样环境下，联合处理复数信号可使恢复性能相比实数LASSO提升两倍。

ABSTRACT

Recovering a sparse signal from an undersampled set of random linear measurements is the main problem of interest in compressed sensing. In this paper, we consider the case where both the signal and the measurements are complex. We study the popular reconstruction method of $\\ell_1$-regularized least squares or LASSO. While several studies have shown that the LASSO algorithm offers desirable solutions under certain conditions, the precise asymptotic performance of this algorithm in the complex setting is not yet known. In this paper, we extend the approximate message passing (AMP) algorithm to the complex signals and measurements and obtain the complex approximate message passing algorithm (CAMP). We then generalize the state evolution framework recently introduced for the analysis of AMP, to the complex setting. Using the state evolution, we derive accurate formulas for the phase transition and noise sensitivity of both LASSO and CAMP.

研究动机与目标

• 分析复数LASSO在复高斯测量矩阵下的渐近性能。
• 将近似消息传递（AMP）算法扩展至复数域，提出复数近似消息传递（CAMP）。
• 将状态演化框架推广至复数系统，用于性能预测。
• 量化联合处理实部与虚部与分别处理时恢复性能的提升。
• 在i.i.d.高斯感知矩阵下，建立CAMP与复数LASSO的理论相变与噪声敏感度公式。

提出的方法

• 通过复数软阈值化与对复数信号及测量值的迭代更新，推导出复数版本的近似消息传递（AMP）算法，称为CAMP。
• 引入复数状态演化（CSE）框架，以追踪CAMP的渐近行为，建模每轮迭代中的均方误差与信噪比。
• 定义复数软阈值化的风险函数，并证明其拟凸性与单调性，以支持极小极大分析。
• 利用状态演化框架，推导出CAMP与复数LASSO的相变与噪声敏感度的闭式表达式。
• 表征信号幅度的最不利先验分布，以界定极小极大风险，证明当信号幅度为大值的狄拉克函数时风险最大。
• 证明风险函数与信号相位无关，仅依赖于幅度与噪声方差，从而简化渐近分析。

实验结果

研究问题

• RQ1 在使用复数测量与信号时，复数LASSO的渐近相变行为如何？
• RQ2 CAMP在稀疏恢复极限方面与实数LASSO（r-LASSO）相比表现如何？
• RQ3 在高维极限下，CAMP与复数LASSO的噪声敏感度如何？
• RQ4 状态演化框架能否严格扩展至复数系统，以预测算法性能？
• RQ5 在i.i.d.高斯感知矩阵下，复数LASSO的极小极大风险是多少？其与信号幅度和噪声的关系如何？

主要发现

• CAMP与复数基追踪（c-BP）的相变点是实数LASSO（r-LASSO）的两倍，意味着在相同条件下，CAMP可在两倍的欠采样率下恢复信号。
• CAMP的噪声敏感度已通过分析推导得出，其依赖于信噪比与阈值参数，并通过状态演化获得了闭式表达式。
• 复数LASSO的极小极大风险有界，且在信号幅度为狄拉克分布的极限下达到，证实极端幅度主导最坏情况性能。
• 复数软阈值化风险函数与信号相位无关，简化了渐近分析，支持相位不变的性能预测。
• CAMP的状态演化框架已严格建立，并能准确预测i.i.d.高斯感知矩阵下的性能，仿真结果验证其对更广泛随机矩阵集合的有效性。
• 理论结果证实，复数LASSO中实部与虚部的联合处理可带来显著性能增益，尤其在高欠采样环境下。