[论文解读] Structured signal recovery from quadratic measurements: Breaking sample complexity barriers via nonconvex optimization

Mahdi Soltanolkotabi|arXiv (Cornell University)|Feb 20, 2017

Sparse and Compressive Sensing Techniques被引用 9

一句话总结

本文提出了一种非凸优化框架，用于从二次测量中恢复结构化信号，利用先验结构知识打破传统样本复杂度的瓶颈。证明了即使在非凸约束下，投影梯度下降也能以仅比理论最小值多一个常数因子的测量数，线性收敛到真实信号。

ABSTRACT

This paper concerns the problem of recovering an unknown but structured signal $x \in R^n$ from $m$ quadratic measurements of the form $y_r=||^2$ for $r=1,2,...,m$. We focus on the under-determined setting where the number of measurements is significantly smaller than the dimension of the signal ($m<

研究动机与目标

• 解决从远少于信号维度的二次测量中恢复结构化信号的挑战（m << n）。
• 克服先前方法的样本复杂度限制，这些方法对s-稀疏信号要求m ≳ s²/log n。
• 开发一种可证明收敛的算法，利用结构先验（例如稀疏性、低秩、分段常数）以减少测量需求。
• 在一般（凸或非凸）约束集下，建立投影梯度下降的收敛保证。
• 通过利用先验结构信息，实现减少采集时间的实际无相位成像系统。

提出的方法

• 将信号恢复建模为一个带有编码信号先验结构知识的约束的非凸优化问题。
• 采用投影梯度下降求解非凸问题，当初始化在真实信号附近时具有收敛保证。
• 使用测度集中性的统一论证方法，控制切空间邻域上的经验过程。
• 对随机过程f(Ax) − E[f(Ax)]应用次高斯增量界，以在参数空间上建立一致收敛性。
• 利用高斯向量A(u±v)的独立性结构，推导出类似Lipschitz的集中不等式。
• 证明目标函数在真实信号邻域内满足类似受限强凸性的性质，从而实现线性收敛。

实验结果

研究问题

• RQ1 我们能否以接近信息论最小值的样本复杂度，从二次测量中恢复结构化信号？
• RQ2 当初始化在真实信号附近时，即使在非凸约束下，投影梯度下降是否能线性收敛到真实信号？
• RQ3 非凸优化技术能否打破s-稀疏信号恢复中m ≳ s²/log n的样本复杂度瓶颈？
• RQ4 在使用先验结构信息时，何种条件可确保非凸优化启发式方法全局收敛？
• RQ5 如何利用经验过程的统一集中性来分析高维设置下的约束非凸优化？

主要发现

• 当初始化在解的邻域内时，投影梯度下降即使在非凸约束集下也能线性收敛到真实信号。
• 该方法所需的测量数仅比唯一识别信号所需的最小数量多一个常数因子，实现了近乎最优的样本复杂度。
• 理论保证对任意约束集（凸或非凸）均成立，前提是信号具有结构且初始化足够接近。
• 所需测量数与环境维度n无关，仅依赖于信号结构的内在复杂度。
• 该分析建立了经验过程f(Ax)在切空间邻域上的统一集中性，从而支持强有力的收敛结果。
• 该框架通过利用稀疏性或分段常数等结构先验，实现了数据驱动的无相位成像，显著减少了采集时间。