[论文解读] One Scan 1-Bit Compressed Sensing

Ping Li|arXiv (Cornell University)|Mar 8, 2015

Sparse and Compressive Sensing Techniques参考文献 23被引用 11

一句话总结

该论文提出一种基于小 $\alpha$ 值的 $\alpha$-稳定随机投影的一次扫描 1-bit 压缩感知算法，可从仅含符号的测量值中恢复 $K$-稀疏信号。该方法仅需 $12.3K\log N/\delta$ 次测量即可实现高精度恢复，在测量效率和对符号翻转的鲁棒性方面显著优于 1-bit 边际回归与迭代硬阈值（IHT）方法。

ABSTRACT

Based on $α$-stable random projections with small $α$, we develop a simple algorithm for compressed sensing (sparse signal recovery) by utilizing only the signs (i.e., 1-bit) of the measurements. Using only 1-bit information of the measurements results in substantial cost reduction in collection, storage, communication, and decoding for compressed sensing. The proposed algorithm is efficient in that the decoding procedure requires only one scan of the coordinates. Our analysis can precisely show that, for a $K$-sparse signal of length $N$, $12.3K\log N/δ$ measurements (where $δ$ is the confidence) would be sufficient for recovering the support and the signs of the signal. While the method is very robust against typical measurement noises, we also provide the analysis of the scheme under random flipping of the signs of the measurements. oindent Compared to the well-known work on 1-bit marginal regression (which can also be viewed as a one-scan method), the proposed algorithm requires orders of magnitude fewer measurements. Compared to 1-bit Iterative Hard Thresholding (IHT) (which is not a one-scan algorithm), our method is still significantly more accurate. Furthermore, the proposed method is reasonably robust against random sign flipping while IHT is known to be very sensitive to this type of noise.

研究动机与目标

• 通过仅使用 1-bit 符号信息，解决全精度压缩感知测量在存储、传输和解码方面的高成本问题。
• 克服现有 1-bit 压缩感知方法测量需求过高或对噪声（尤其是符号翻转）敏感的局限性。
• 设计一种快速的一次扫描解码算法，以高置信度恢复长度为 $N$ 的 $K$-稀疏信号的支撑集与符号。
• 在清洁和噪声（随机符号翻转）条件下，均提供测量需求的精确理论边界，包括显式常数。

提出的方法

• 采用独立同分布的 $\alpha$-稳定分布条目（$\alpha \to 0^+$）作为感知矩阵 $S_{ij} \sim S(\alpha,1)$，从而实现对噪声的鲁棒性并支持高效的单次扫描恢复。
• 仅采集每个测量值的符号，即 $y_j = \sum_i x_i s_{ij}$ 的符号 $\text{sgn}(y_j)$，从而大幅降低存储与通信开销。
• 设计一种单次扫描解码过程，仅对每个坐标处理一次，基于测量值之间的符号一致性，估计每个 $x_i$ 的符号与幅值。
• 利用 $\alpha$-稳定分布当 $\alpha \to 0$ 时的渐近行为，推导出正确恢复概率的解析表达式。
• 引入基于符号一致性与指数加权的评分函数 $Q_{i,\gamma}^+$，用于估计 $x_i > 0$ 的可能性，其中 $w_{ij}$ 作为辅助变量。
• 通过矩生成函数与级数展开推导集中不等式，量化在高置信度 $1 - \delta$ 下正确恢复支撑集与符号的概率。

实验结果

研究问题

• RQ1 一次扫描 1-bit 压缩感知能否仅使用符号信息与最少数量的测量，实现对 $K$-稀疏信号的准确恢复？
• RQ2 与现有 1-bit 方法（如边际回归与 IHT）相比，该方法在测量效率与鲁棒性方面表现如何？
• RQ3 在置信度 $1 - \delta$ 下，可靠恢复所需的测量数的精确理论边界是什么？
• RQ4 在随机符号翻转噪声下，该方法表现如何？与 IHT 相比有何差异？
• RQ5 使用极小 $\alpha$ 值的 $\alpha$-稳定投影能否同时实现鲁棒性与单次扫描解码，并提供可证明的保证？

主要发现

• 所提方法仅需 $12.3K\log N/\delta$ 次测量，即可以大于 $1 - \delta$ 的概率恢复 $K$-稀疏信号的支撑集与符号，且常数显式给出。
• 与 1-bit 边际回归相比，该方法在测量效率上显著更优，后者为达到相近精度需多数量级的测量。
• 与 1-bit 迭代硬阈值（IHT）相比，该方法在准确率上更高，且对随机符号翻转具有鲁棒性，而 IHT 对此类噪声极为敏感。
• 理论分析表明，由于 $\alpha$-稳定投影的重尾特性，该方法在随机符号翻转下仍能保持强性能，且误差率可控。
• 单次扫描解码过程支持高效、流式兼容的信号恢复，适用于实时或大规模数据应用。
• 分析通过矩生成函数的级数展开，提供了精确的集中不等式，得到紧致且可解释的误差概率。