[论文解读] Recoverability Analysis for Modified Compressive Sensing with Partially Known Support

Jun Zhang, Yuanqing Li+2 more|arXiv (Cornell University)|Jul 8, 2012

Sparse and Compressive Sensing Techniques参考文献 14被引用 3

一句话总结

本文提出了在部分已知支撑下改进压缩感知的精确恢复的充分必要条件，即使已知支撑包含错误时也适用。该方法可显式计算具有 ℓ 个非零条目的稀疏信号的恢复概率，为随机支撑不确定性下的可靠性提供定量度量。

ABSTRACT

The recently proposed modified-compressive sensing (modified-CS), which utilizes the partially known support as prior knowledge, significantly improves the performance of recovering sparse signals. However, modified-CS depends heavily on the reliability of the known support. An important problem, which must be studied further, is the recoverability of modified-CS when the known support contains a number of errors. In this letter, we analyze the recoverability of modified-CS in a stochastic framework. A sufficient and necessary condition is established for exact recovery of a sparse signal. Utilizing this condition, the recovery probability that reflects the recoverability of modified-CS can be computed explicitly for a sparse signal with \ell nonzero entries, even though the known support exists some errors. Simulation experiments have been carried out to validate our theoretical results.

研究动机与目标

• 为解决现有改进-CS方法的充分条件在已知支撑包含错误时无法准确反映可恢复性的问题。
• 构建一个概率框架，用于分析在具有不确定先验知识的现实场景中改进-CS的可恢复性。
• 推导出考虑已知支撑中错误的精确恢复的充分必要条件（SNC）。
• 在给定测量矩阵 A 和包含 p₁ 个错误的已知支撑 T 的前提下，实现对具有 ℓ 个非零条目的稀疏信号的恢复概率的显式计算。
• 为改进-CS在真实世界应用（如动态MRI）中提供定量可靠性度量，其中支撑缓慢演化但可能含有错误。

提出的方法

• 基于测量矩阵 A 和支撑误差集 Δe，提出改进-CS中稀疏信号 x* 精确恢复的充分必要条件（SNC）。
• 通过在未知支撑部分 Δ 的所有子集 I 上求解一个优化问题来定义恢复条件，要求特定 ℓ1-范数差值的最优值为正。
• 利用零空间性质与对偶理论推导 SNC，确保在未知支撑部分不存在具有更小 ℓ1-范数的替代解。
• 引入一个概率模型，其中支撑 T 以 p₁ 个错误随机生成，并通过有利配置所占比例计算恢复概率。
• 应用大数定律，从有限个随机支撑配置样本中估计恢复概率，利用支撑模式四元组上指示变量的期望值。
• 基于有效支撑模式的组合计数，推导出恢复概率的闭式表达式，涉及二项式系数与 2 的幂次。

实验结果

研究问题

• RQ1 当已知支撑包含错误时，改进-CS 中精确恢复的充分必要条件是什么？
• RQ2 对于给定的具有 ℓ 个非零条目的稀疏信号和包含 p₁ 个错误的已知支撑，如何显式计算改进-CS 的恢复概率？
• RQ3 在随机设置下，支撑错误率（p₁/p）对改进-CS 恢复性能有何影响？
• RQ4 恢复概率如何依赖于测量矩阵 A、稀疏度 ℓ 和已知支撑 T 的大小？
• RQ5 能否使用有限个随机支撑配置样本可靠估计理论恢复概率？

主要发现

• 推导出改进-CS 中精确恢复的充分必要条件（SNC），其依赖于在未知支撑子集上特定 ℓ1-范数优化问题的可行性与目标值。
• 即使已知支撑 T 包含 p₁ 个错误，也可通过评估有利支撑配置所占比例，显式计算具有 ℓ 个非零条目的稀疏信号的恢复概率。
• 利用大数定律估计恢复概率，其中随机支撑四元组上指示变量的期望值在样本量足够大时收敛于真实恢复概率。
• 理论恢复概率表示为可恢复配置数（Sw）与所有可能配置总数的比值，涉及组合项 CₙˡCₗᵖ²Cₙ₋ₗᵖ¹2ˡ⁻ᵖ²。
• 仿真结果验证了理论恢复概率，证实所提方法能准确预测在支撑不确定性下改进-CS 的性能。
• 该方法为改进-CS 提供了定量可靠性指标，使其可在真实应用（如动态MRI）中进行性能评估，其中支撑缓慢演化但可能因错误而受损。