[论文解读] Optimal Exploitation of Subspace Prior Information in Matrix Sensing.

Sajad Daei, Farzan Haddadi+1 more|arXiv (Cornell University)|Sep 27, 2018

Sparse and Compressive Sensing Techniques被引用 4

一句话总结

本文提出了一种加权核范数最小化框架，将矩阵感知中列空间和行空间的先验知识整合其中，利用通过锥积分几何推导出的最优权重，以减少测量需求。该方法在标准核范数最小化基础上实现了显著提升，显著减少了准确恢复低秩矩阵所需的测量次数。

ABSTRACT

Matrix sensing is the problem of reconstructing a low-rank matrix from a few linear measurements. In many applications such as collaborative filtering, the famous Netflix prize problem and seismic data interpolation, there exists some prior information about the column and row spaces of the true low rank matrix. In this paper, we exploit this prior information by proposing a weighted optimization problem where its objective function promotes both rank and prior subspace information. Using the recent results in conic integral geometry, we obtain the unique optimal weights that minimize the required number of measurements. As simulation results confirm, the proposed convex program with optimal weights substantially needs fewer measurements than the regular nuclear norm minimization.

研究动机与目标

• 解决在已知列空间和行空间子空间信息时，降低低秩矩阵恢复中测量需求的挑战。
• 开发一种联合促进低秩性与已知子空间对齐的凸优化框架。
• 推导出能最小化所需测量次数的唯一最优权重。
• 通过仿真验证，所提方法在测量复杂度方面显著优于标准核范数最小化。

提出的方法

• 构建一个加权优化问题，其目标函数同时惩罚核范数以及与已知行空间和列空间的偏差。
• 利用锥积分几何时分析推导出能最小化精确恢复所需测量次数的唯一最优权重。
• 通过为垂直于已知子空间的方向分配更高权重，将先验子空间信息整合到优化中。
• 确保所得凸规划保持可计算性，同时在测量受限条件下提升恢复性能。
• 将推导出的最优权重应用于加权核范数最小化问题，以提高鲁棒性并减少测量需求。

实验结果

研究问题

• RQ1 当已知子空间信息时，能最小化精确低秩矩阵恢复所需测量次数的最优加权方案是什么？
• RQ2 与标准核范数最小化相比，整合先验子空间知识如何影响矩阵感知中的测量复杂度？
• RQ3 能否利用锥积分几何时分析推导出加权矩阵感知的最优权重？
• RQ4 在实际应用中，所提出的最优权重能在多大程度上减少所需测量次数？

主要发现

• 所提出的具有最优权重的加权矩阵感知方法在精确恢复低秩矩阵时，所需测量次数显著少于标准核范数最小化。
• 通过锥积分几何时分析推导出最优权重，确保了最小测量需求。
• 仿真结果证实，该方法在测量效率方面显著优于标准核范数最小化。
• 将先验子空间信息整合到优化框架中，可在更低采样率下实现更高的恢复精度。