[论文解读] Lebesgue inequalities for Chebyshev Thresholding Greedy Algorithms

Pablo M. Berná, Óscar Blasco+3 more|arXiv (Cornell University)|Nov 10, 2018

Sparse and Compressive Sensing Techniques被引用 1

一句话总结

本文在具有 M-基的一般 Banach 空间中，为切比雪夫阈值贪婪算法（CTGA）建立了改进的 Lebesgue 型不等式，以基参数（如拟贪婪常数和民主常数）表示了切比雪夫 Lebesgue 参数 $L^{\text{ch},t}_m$ 的精确上界。该研究修正并完善了 [18] 中的近期结果，通过例子证明了最优性，并在强 M-基条件下建立了 CTGA 的范数收敛性。

ABSTRACT

We establish estimates for the Lebesgue parameters of the Chebyshev Weak Thresholding Greedy Algorithm in the case of general bases in Banach spaces. These generalize and slightly improve earlier results in [9], and are complemented with examples showing the optimality of the bounds. Our results also correct certain bounds recently announced in [18], and answer some questions left open in that paper.

研究动机与目标

• 在一般 M-基中建立切比雪夫 Lebesgue 参数 $L^{\text{ch},t}_m$ 的精确上界。
• 修正并完善 [18] 中关于 $L^{\text{ch},t}_m$ 上界声明的近期结果。
• 回答 [18] 中遗留的关于上界最优性与结构的开放问题。
• 阐明切比雪夫贪婪算法对所有 $x \in X$ 实现范数收敛的条件，特别是强 M-基的作用。
• 刻画一般基中超级民主性与对偶超级民主性参数之间的关系。

提出的方法

• 利用条件性常数 $K = \sup_{n,j} \|e^*_n\|\|e_j\|$ 推导 $L^{\text{ch},t}_m$ 的一般上界。
• 通过最小化残差范数，对贪婪集和切比雪夫逼近进行精细化分析。
• 利用对偶性及涉及 $\|1_\varepsilon A\|/\|1_\eta B\|$ 的指示函数和估计，界定 Lebesgue 参数。
• 引入并分析变体 $\tilde{g}_m = \sup_{G' < G} \|G - G'\|$，以改进拟贪婪估计。
• 通过构造性例子证明上界 $L^{\text{ch},t}_m \leq 1 + (1 + 1/t)Km$ 的最优性。
• 在强 M-基条件下证明 $\|x - \text{CG}^t_m x\| \to 0$ 的范数收敛性，纠正了 [18] 中不完整的证明。

实验结果

研究问题

• RQ1 在一般 M-基中，上界 $L^{\text{ch},t}_m \leq 1 + (1 + 1/t)Km$ 是否最优？是否可达到等号？
• RQ2 [18, 定理 3.5] 中声称的上界是否正确？若不正确，正确的版本是什么？
• RQ3 在一般基中，$\tilde{\mu}_m$ 与 $\tilde{\mu}^d_m$ 之间的关系是什么？在何种条件下二者等价？
• RQ4 在何种条件下，对所有 $x \in X$ 都有 $\|x - \text{CG}^t_m x\| \to 0$ 成立？
• RQ5 是否可以在不假设强 M-基的条件下，保证切比雪夫贪婪算法的收敛性？

主要发现

• 本文证明了对所有 $m \in \mathbb{N}$ 和 $t \in (0,1]$，有精确上界 $L^{\text{ch},t}_m \leq 1 + (1 + 1/t)Km$，且在特定例子中可达到等号。
• 该上界优于 [9] 中的早期结果，并修正了 [18] 中的错误声明，特别是定理 3.5 中的内容。
• 作者表明，在一般基中，$\tilde{\mu}^d_m$ 可远小于 $\tilde{\mu}_m$，尽管在 Scauder 基中二者等价。
• 本文证明：对所有 $x \in X$，有 $\lim_{m \to \infty} \|x - \text{CG}^t_m x\| = 0$ 当且仅当 $B$ 是强 M-基。
• 证明了 $\limsup_{N \to \infty} \tilde{\mu}_N / (\tilde{\mu}^d_N)^{2-\varepsilon} = \infty$，表明 $\tilde{\mu}^d_N$ 在一般情况下无法控制 $\tilde{\mu}_N$。
• 在强 M-基和拟贪婪条件下，建立了弱贪婪算法 $G^t_m x$ 对 $x$ 的收敛性，并给出了涉及 $C_q$ 的统一有界性估计。