[论文解读] Recovery of signals under the condition on RIC and ROC via prior support information

Wengu Chen, Yaling Li|arXiv (Cornell University)|Feb 27, 2016

Sparse and Compressive Sensing Techniques参考文献 17被引用 3

一句话总结

本文通过利用先验支持信息，建立了加权 $l_1$ 最小化在稀疏信号稳定且鲁棒恢复方面的改进充分条件。通过结合限制等距常数（RIC）与限制正交性常数（ROC），推导出比标准 $l_1$ 最小化更宽松的恢复条件和更紧的误差界，尤其当先验支持估计的准确率至少达到 50% 时效果显著。

ABSTRACT

In this paper, the sufficient condition in terms of the RIC and ROC for the stable and robust recovery of signals in both noiseless and noisy settings was established via weighted $l_{1}$ minimization when there is partial prior information on support of signals. An improved performance guarantee has been derived. We can obtain a less restricted sufficient condition for signal reconstruction and a tighter recovery error bound under some conditions via weighted $l_{1}$ minimization. When prior support estimate is at least $50\%$ accurate, the sufficient condition is weaker than the analogous condition by standard $l_{1}$ minimization method, meanwhile the reconstruction error upper bound is provably to be smaller under additional conditions. Furthermore, the sufficient condition is also proved sharp.

研究动机与目标

• 通过引入先验支持信息，改进压缩感知中稀疏信号恢复的性能保证。
• 与标准 $l_1$ 最小化相比，推导出加权 $l_1$ 最小化在稳定与鲁棒恢复方面更宽松的充分条件。
• 在先验支持信息下，建立重构误差的更紧上界。
• 证明所推导的充分条件是紧致的，即若进一步放松则将失去恢复保证。
• 分析先验支持准确率（尤其是 ≥50%）在无噪声与有噪声场景下对恢复性能的提升影响。

提出的方法

• 提出一种加权 $l_1$ 最小化框架，通过在优化目标中引入自适应权重来整合先验支持信息。
• 使用限制等距常数（RIC）$\delta_a$ 与限制正交性常数（ROC）$\theta_{a,b}$ 作为关键矩阵属性，推导恢复条件。
• 引入一个依赖于先验支持准确率 $\alpha$ 与权重参数 $\omega$ 的修正常数 $C_{a,b,k}^{\alpha,\omega}$，以改进标准常数 $C_{a,b,k}$。
• 推导出稳定与鲁棒恢复的充分条件 $\delta_a + C_{a,b,k}^{\alpha,\omega} \theta_{a,b} < 1$，当先验支持足够准确时，该条件弱于标准 $l_1$ 条件。
• 在相同条件下，建立比标准 $l_1$ 对应值 $C_0$、$C_0'$ 与 $C_1$ 更小的重构误差界 $D_0$、$D_0'$ 与 $D_1$。
• 采用反证法策略，通过构造反例证明所推导条件的紧致性，即当条件被违反时恢复将失败。

实验结果

研究问题

• RQ1 先验支持信息如何改进压缩感知中稳定与鲁棒恢复的充分条件？
• RQ2 在使用加权 $l_1$ 最小化结合先验支持信息时，恢复条件与误差界在数量上如何改进？
• RQ3 在何种条件下，加权 $l_1$ 最小化的条件严格弱于标准 $l_1$ 最小化的条件？
• RQ4 先验支持估计的准确率（如 ≥50%）如何影响恢复保证的紧致性？
• RQ5 通过加权 $l_1$ 最小化推导出的恢复充分条件是否为紧致的，即是否无法进一步放松？

主要发现

• 当先验支持准确率 $\alpha > 1/2$ 且 $\omega < 1$ 时，充分条件 $\delta_a + C_{a,b,k}^{\alpha,\omega} \theta_{a,b} < 1$ 严格弱于标准条件 $\delta_a + C_{a,b,k} \theta_{a,b} < 1$。
• 当先验支持估计至少准确 50% 时，重构误差上界 $D_0$ 严格小于标准上界 $C_0$。
• 所推导的条件被证明是紧致的，因为当等式 $\delta_a + C_{a,b,k}^{\alpha,\omega} \theta_{a,b} = 1$ 成立时，精确与稳定恢复将失败。
• 在相同矩阵与信号条件下，误差界 $D_0$、$D_0'$ 与 $D_1$ 分别严格优于 $C_0$、$C_0'$ 与 $C_1$。
• 当 $\alpha > 1/2$ 且 $\omega < 1$ 时，修正常数 $C_{a,b,k}^{\alpha,\omega}$ 始终小于 $C_{a,b,k}$，从而带来更优的理论保证。
• 当先验支持高度准确时，恢复性能的提升最为显著，且该条件在含 $\ell_2$ 与 Dantzig 选择器噪声模型的噪声测量下依然有效。