[论文解读] Optimization-based AMP for Phase Retrieval: The Impact of Initialization and $\ell_2$-regularization

Junjie Ma, Ji Xu+1 more|arXiv (Cornell University)|Jan 3, 2018

Advanced X-ray Imaging Techniques参考文献 43被引用 9

一句话总结

该论文提出了一种基于优化的近似消息传递（AMP）算法，并采用ℓ₂-正则化进行相位恢复，表明仅需约2.5n组测量即可准确恢复复信号。通过状态演化分析，该方法实现了精确的性能边界，显示ℓ₂-正则化可提升恢复性能，且在渐近极限下谱初始化对性能影响甚微。

ABSTRACT

We consider an $\ell_2$-regularized non-convex optimization problem for recovering signals from their noisy phaseless observations. We design and study the performance of a message passing algorithm that aims to solve this optimization problem. We consider the asymptotic setting $m,n ightarrow \infty$, $m/n ightarrow δ$ and obtain sharp performance bounds, where $m$ is the number of measurements and $n$ is the signal dimension. We show that for complex signals the algorithm can perform accurate recovery with only $m= \left(\frac{64}{π^2}-4 ight)n \approx 2.5n$ measurements. Also, we provide sharp analysis on the sensitivity of the algorithm to noise. We highlight the following facts about our message passing algorithm: (i) Adding $\ell_2$ regularization to the non-convex loss function can be beneficial. (ii) Spectral initialization has marginal impact on the performance of the algorithm. The sharp analyses in this paper, not only enable us to compare the performance of our method with other phase recovery schemes, but also shed light on designing better iterative algorithms for other non-convex optimization problems.

研究动机与目标

• 提出一种在非凸、ℓ₂-正则化优化下可证明高效的信道传递算法，用于相位恢复。
• 利用状态演化方法，在高维极限（m,n→∞, m/n→δ）下分析该算法的渐近性能。
• 评估ℓ₂-正则化与谱初始化对恢复精度及抗噪声能力的影响。
• 为复值信号建立测量需求与噪声敏感性的精确理论边界。

提出的方法

• 该算法采用ℓ₂-正则化的非凸优化公式，从无相位测量中恢复信号。
• 在大系统极限下，从信念传播推导出一种新型近似消息传递（AMP）算法，命名为AMP.A。
• 严格推导并分析状态演化方程，以追踪算法在迭代过程中均方误差与信噪比的变化。
• 利用椭圆积分的性质及渐近映射，刻画收敛行为与稳定性。
• 该方法采用状态演化框架，追踪迭代过程中信号与噪声参数（αt, σt²）的演化。
• 通过状态演化映射的连续性与单调性性质，特别是ψ₁与ψ₂函数，推导出精确的性能边界。

实验结果

研究问题

• RQ1 ℓ₂-正则化是否能在高维设置下提升非凸相位恢复算法的性能？
• RQ2 使用所提出的AMP.A算法进行准确恢复所需的最少测量数是多少？
• RQ3 该算法对噪声的敏感性如何？其理论噪声底限是什么？
• RQ4 谱初始化在多大程度上影响AMP.A算法的收敛性与准确性？
• RQ5 状态演化框架是否能为该算法在渐近极限下的性能提供精确预测？

主要发现

• 该算法仅需m ≈ 2.5n组测量即可准确恢复复信号，具体为m = (64/π² − 4)n ≈ 2.5n。
• ℓ₂-正则化被证明具有显著优势，可提升非凸优化景观中的收敛性与稳定性。
• 谱初始化对性能影响微小，表明该算法对初始化选择具有鲁棒性。
• 状态演化框架提供精确预测，当δ > δ_global = 2时，收敛至固定点(α=1, σ²=0)。
• 当δ < δ_global时，算法在原点附近表现出不稳定性，因在(1,0)邻域内∂ψ₂/∂σ² > 1，导致σ²偏离零。
• 噪声敏感性得到解析界约束，表明在噪声存在下算法维持非零误差底限，且其精确依赖于δ与σ²。