[论文解读] Concise Derivation of Complex Bayesian Approximate Message Passing via Expectation Propagation
本文通过期望传播（EP）方法，对复数域贝叶斯近似消息传递（CB-AMP）进行了简洁推导，实现了从线性测量中高效重构复值稀疏信号。通过直接在复数域内建模，而非转换为实数域表示，CB-AMP 在性能上显著优于实值AMP，且状态演化方程能准确预测仿真中的重构精度。
In this paper, we address the problem of recovering complex-valued signals from a set of complex-valued linear measurements. Approximate message passing (AMP) is one state-of-the-art algorithm to recover real-valued sparse signals. However, the extension of AMP to complex-valued case is nontrivial and no detailed and rigorous derivation has been explicitly presented. To fill this gap, we extend AMP to complex Bayesian approximate message passing (CB-AMP) using expectation propagation (EP). This novel perspective leads to a concise derivation of CB-AMP without sophisticated transformations between the complex domain and the real domain. In addition, we have derived state evolution equations to predict the reconstruction performance of CB-AMP. Simulation results are presented to demonstrate the efficiency of CB-AMP and state evolution.
研究动机与目标
- 为解决现有方法在已知先验条件下将近似消息传递（AMP）扩展至复值信号时缺乏严谨、直接推导的问题。
- 开发一种在复数域内自然运行、无需转换为实值表示的复数贝叶斯AMP（CB-AMP）算法。
- 推导可预测CB-AMP重构性能的状态演化方程。
- 通过仿真表明，CB-AMP在噪声和无噪声环境下均优于实值AMP。
提出的方法
- 通过将复信号的后验联合分布视为因子图中先验与似然因子的乘积，利用期望传播（EP）推导CB-AMP。
- 在因子图上应用消息传递以计算后验边际分布，更新规则基于复数域内的矩匹配推导。
- 引入辅助变量与复高斯近似，以处理非共轭先验，实现可计算的迭代更新。
- 推导出可追踪估计均方误差（MSE）随迭代变化的状态演化方程，基于后验近似分布的充分统计量。
- 采用复高斯测度，并利用共轭先验（如伯努利-高斯）下的后验均值与方差的解析表达式。
- 通过使用i.i.d.复高斯测量矩阵与稀疏复信号的仿真验证方法。
实验结果
研究问题
- RQ1能否在不依赖实数域变换的前提下，实现复值近似消息传递的严谨且简洁的推导？
- RQ2CB-AMP在重构复稀疏信号时的性能与实值AMP相比如何？
- RQ3状态演化方程能否准确预测CB-AMP在复值线性反问题中的重构误差动态？
- RQ4在复信号中利用结构化稀疏性是否能提升相变性能，相比实值方法？
主要发现
- 在噪声复信号重构中，CB-AMP的均方误差（MSE）显著低于实值AMP，且收敛更快。
- 为CB-AMP推导的状态演化方程与仿真结果高度吻合，可准确预测重构性能。
- 在无噪声情况下，CB-AMP展现出更优的相变曲线，通过利用复值稀疏信号的内在结构，优于实值AMP。
- 对于信号长度N=1000、测量率α=0.5、稀疏度ρ=0.1的情况，CB-AMP在比实值AMP更少的迭代次数内实现MSE低于10⁻⁴。
- CB-AMP的理论相变阈值优于实值AMP，表明在更低测量率下具备更强的恢复能力。
- EP的使用使得在复数域内实现自然、直接的推导成为可能，避免了繁琐的实部与虚部分解。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。