[论文解读] On RIC bounds of Compressed Sensing Matrices for Approximating Sparse Solutions Using ℓ q Quasi Norms

Yong Hsia, Ruey-Lin Sheu|arXiv (Cornell University)|Dec 12, 2013

Sparse and Compressive Sensing Techniques参考文献 11被引用 4

一句话总结

本文通过改进q ∈ (0,1)时ℓq准范数最小化在稀疏信号恢复中的限制等距常数（RIC）边界，实现了突破。通过在准范数框架下细化广义柯西-施瓦茨不等式的逆向形式，本文证明：当δ2k ≤ 1/2（q ≤ 0.9181）和δ2k ≤ 0.4931（对所有q ∈ (0,1)）时，可实现稀疏解的精确恢复，优于文献中已有的边界结果。

ABSTRACT

This paper follows the recent discussion on the sparse solution recovery with quasi-norms lq, q 2 (0,1) when the sensing matrix possesses a Restricted Isometry Constant δ2k (RIC). Our key tool is an improvement on a version of “the converse of a generalized Cauchy-Schwarz inequality” extended to the setting of quasi-norm. We show that, if δ2k � 1/2, any minimizer of the lq minimization, at least for those q 2 (0,0.9181], is the sparse solution of the corresponding underdetermined linear system. Moreover, if δ2k � 0.4931, the sparse solution can be recovered by any lq,q 2 (0,1) minimization. The values 0.9181 and 0.4931 improves those reported previously in the literature.

研究动机与目标

• 改进使用q ∈ (0,1)的ℓq准范数最小化进行稀疏解恢复的现有限制等距常数（RIC）边界。
• 建立更紧的条件，以确保通过ℓq最小化可精确恢复欠定线性系统的稀疏解。
• 通过将广义柯西-施瓦茨不等式的逆向形式扩展至准范数框架，改进准范数最小化的理论分析。

提出的方法

• 作者开发了一种适用于q ∈ (0,1)的ℓq准范数的广义柯西-施瓦茨不等式逆向形式的改进版本。
• 他们将该不等式应用于分析压缩感知中ℓq最小化的零空间性质与恢复条件。
• 分析聚焦于感知矩阵的限制等距常数δ2k，以推导精确稀疏恢复的充分条件。
• 通过约束稀疏向量及其扰动在ℓq准范数下的行为，该方法建立了δ2k的恢复保证阈值。
• 该方法利用准范数的结构特性和矩阵等距性，推导出比以往工作更紧的边界。

实验结果

研究问题

• RQ1 对于q ∈ (0,1)，通过ℓq最小化实现精确稀疏恢复的限制等距常数δ2k的最紧上界是什么？
• RQ2 当使用q < 1的ℓq准范数时，恢复条件是否可超越现有RIC边界的限制？
• RQ3 在准范数框架下，广义柯西-施瓦茨不等式的逆向形式如何促进更紧的恢复保证？

主要发现

• 本文证明：对于任意q ∈ (0, 0.9181]，若限制等距常数δ2k ≤ 1/2，则可通过ℓq最小化精确恢复稀疏解。
• 对于所有q ∈ (0,1)，当δ2k ≤ 0.4931时，稀疏解可被恢复，该结果优于先前报道的边界。
• 0.9181这一数值在ℓq最小化恢复背景下，相较于以往q ∈ (0,1)的阈值有显著提升。
• 0.4931是针对所有q ∈ (0,1)的通用恢复而言，比以往已知边界更紧，从而增强了ℓq压缩感知的理论适用范围。
• 通过在准范数框架下对广义柯西-施瓦茨不等式逆向形式的精细化应用，推导出了改进的边界。