[论文解读] Compressive Sensing over the Grassmann Manifold: a Unified Geometric Framework

Weiyu Xu, Babak Hassibi|arXiv (Cornell University)|May 20, 2010

Sparse and Compressive Sensing Techniques参考文献 34被引用 10

一句话总结

本文提出了一种基于格拉斯曼角的统一几何框架，用于分析在压缩感知中对近似稀疏信号进行ℓ₁最小化时的性能。通过刻画线性子空间的'平衡性'特性，建立了稀疏度与恢复精度之间的精确、定量权衡，推广了先前的邻多面体结果，并在存在噪声测量和近似稀疏性的情况下实现了精确分析。

ABSTRACT

$\ell_1$ minimization is often used for finding the sparse solutions of an under-determined linear system. In this paper we focus on finding sharp performance bounds on recovering approximately sparse signals using $\ell_1$ minimization, possibly under noisy measurements. While the restricted isometry property is powerful for the analysis of recovering approximately sparse signals with noisy measurements, the known bounds on the achievable sparsity (The "sparsity" in this paper means the size of the set of nonzero or significant elements in a signal vector.) level can be quite loose. The neighborly polytope analysis which yields sharp bounds for ideally sparse signals cannot be readily generalized to approximately sparse signals. Starting from a necessary and sufficient condition, the "balancedness" property of linear subspaces, for achieving a certain signal recovery accuracy, we give a unified \emph{null space Grassmann angle}-based geometric framework for analyzing the performance of $\ell_1$ minimization. By investigating the "balancedness" property, this unified framework characterizes sharp quantitative tradeoffs between the considered sparsity and the recovery accuracy of the $\ell_{1}$ optimization. As a consequence, this generalizes the neighborly polytope result for ideally sparse signals. Besides the robustness in the "strong" sense for \emph{all} sparse signals, we also discuss the notions of "weak" and "sectional" robustness. Our results concern fundamental properties of linear subspaces and so may be of independent mathematical interest.

研究动机与目标

• 解决现有ℓ₁最小化在噪声测量下恢复近似稀疏信号时的性能边界局限性。
• 开发一种统一的几何框架，将邻多面体分析推广至非理想稀疏性和噪声环境。
• 利用格拉斯曼角表征稀疏度、测量率与恢复精度之间的基本权衡。
• 引入并分析线性子空间的'平衡性'特性，作为实现精确信号恢复的充要条件。
• 定义并研究强、弱和截面鲁棒性等概念，超越理想稀疏性的标准假设。

提出的方法

• 提出基于零空间格拉斯曼角的几何框架，用于分析ℓ₁最小化的性能。
• 将线性子空间的'平衡性'特性引入为实现特定恢复精度的充要条件。
• 利用格拉斯曼角量化测量矩阵零空间与稀疏信号子空间之间的几何关系。
• 通过大偏差分析推导恢复失败概率的渐近衰减指数。
• 应用偏斜交叉多面体模型，计算格拉斯曼空间中的外角、内角和组合角。
• 利用净指数ψ_net(C)，建立可实现稀疏度水平ρ关于测量率δ和信噪比C的边界。

实验结果

研究问题

• RQ1 通过ℓ₁最小化实现近似稀疏信号精确恢复的精确几何条件是什么？
• RQ2 零空间的格拉斯曼角如何与压缩感知中可实现的稀疏度水平和恢复精度相关联？
• RQ3 能否将理想稀疏信号的邻多面体分析推广至具有噪声测量的近似稀疏信号？
• RQ4 在存在噪声的情况下，测量率δ、稀疏度水平ρ与恢复误差之间的精确定量权衡是什么？
• RQ5 在近似稀疏信号的ℓ₁最小化背景下，强、弱和截面鲁棒性的概念有何不同？

主要发现

• 本文证明了线性子空间的'平衡性'特性是实现ℓ₁最小化中指定恢复精度的充要条件。
• 为给定测量率δ和噪声水平C，提供了关于可实现稀疏度水平ρ的精确、非渐近边界，推广了邻多面体结果。
• 该框架表明，对于任意C > 1，有lim_{δ→1} ζ_W(δ) = 1，表明在高测量率下可实现完美恢复。
• 当ρ = (ρ_N(δ,C=1) - ε)/C²时，ψ_net(C)在ν ∈ [δ,1]上一致为负，意味着失败概率呈指数衰减。
• 外角γ(G,SP)的上界不超过C=1时的取值，且ψ_ext(ν;ρ,δ,C)的下界为ψ_ext(ν;ρ,δ,C=1)，从而可获得更紧的边界。
• 当ρ按(ρ_N(δ,C=1) - ε)/C²缩放时，内角指数ψ_int(ν;ρ,δ,C)随C增加，而ψ_com(ν;ρ,δ,C)减小，导致净指数为负，从而实现可靠恢复。