[论文解读] Sufficient Conditions for Low-rank Matrix Recovery, Translated from Sparse Signal Recovery

Lingchen Kong, Levent Tunçel+1 more|arXiv (Cornell University)|Jun 16, 2011

Sparse and Compressive Sensing Techniques参考文献 34被引用 3

一句话总结

本文将s-goodness的概念从稀疏信号恢复推广至低秩矩阵恢复（LMR），为线性变换引入了两个关键特征——γₛ和γ̂ₛ。文章建立了核范数最小化精确恢复与稳定恢复的充要条件，并通过可计算的γ̂ₛ上界推导出可验证的充分条件，证明了δ₂ₛ < √2 − 1可确保精确的低秩恢复。

ABSTRACT

The low-rank matrix recovery (LMR) is a rank minimization problem subject to linear equality constraints, and it arises in many fields such as signal and image processing, statistics, computer vision, system identification and control. This class of optimization problems is $\N¶$-hard and a popular approach replaces the rank function with the nuclear norm of the matrix variable. In this paper, we extend the concept of $s$-goodness for a sensing matrix in sparse signal recovery (proposed by Juditsky and Nemirovski [Math Program, 2011]) to linear transformations in LMR. Then, we give characterizations of $s$-goodness in the context of LMR. Using the two characteristic $s$-goodness constants, $γ_s$ and $\hatγ_s$, of a linear transformation, not only do we derive necessary and sufficient conditions for a linear transformation to be $s$-good, but also provide sufficient conditions for exact and stable $s$-rank matrix recovery via the nuclear norm minimization under mild assumptions. Moreover, we give computable upper bounds for one of the $s$-goodness characteristics which leads to verifiable sufficient conditions for exact low-rank matrix recovery.

研究动机与目标

• 将s-goodness概念从稀疏信号恢复推广至线性约束下的低秩矩阵恢复（LMR）。
• 通过线性变换的两个新G-数特征γₛ和γ̂ₛ，刻画LMR中的s-goodness。
• 通过核范数最小化建立精确与稳定s-秩矩阵恢复的必要与充分条件。
• 推导γ̂ₛ的可计算上界，从而获得精确低秩恢复的可验证充分条件。

提出的方法

• 通过将Juditksy与Nemirovski的框架从稀疏恢复推广至LMR，为LMR中的线性变换引入s-goodness。
• 定义两个G-数特征γₛ和γ̂ₛ，以刻画s-goodness，并将其与恢复保证联系起来。
• 利用奇异值分解（SVD）和奇异值的分块技术，将矩阵分解为对应于最大、次大及剩余奇异值的部分。
• 推导涉及Frobenius范数与核范数的不等式，利用线性变换的性质来界定矩阵恢复中的误差。
• 建立s-goodness与限制等距性质（RIP）之间的联系，证明δ₂ₛ < √2 − 1是精确恢复的充分条件。
• 利用RIP常数推导γ̂ₛ的可计算上界，从而实现精确s-秩恢复的可验证充分条件。

实验结果

研究问题

• RQ1 在低秩矩阵恢复中，何种条件可确保核范数最小化精确恢复一个s-秩矩阵？
• RQ2 稀疏信号恢复中的s-goodness概念如何推广至低秩矩阵恢复？
• RQ3 在LMR背景下，线性变换为s-good的必要与充分条件是什么？
• RQ4 能否推导出G-数γ̂ₛ的可计算上界，以获得精确恢复的可验证充分条件？
• RQ5 在LMR中，s-goodness与限制等距性质（RIP）之间存在何种关系？

主要发现

• 本文通过两个G-数特征γₛ和γ̂ₛ，建立了线性变换在LMR中为s-good的必要与充分条件。
• 在较弱假设下，提供了通过核范数最小化实现精确与稳定s-秩矩阵恢复的充分条件。
• 推导出γ̂ₛ的可计算上界，从而获得精确低秩矩阵恢复的可验证充分条件。
• 证明了δ₂ₛ < √2 − 1是精确恢复的充分条件，优于先前结果如δ₅ₛ < 1/10和δ₄ₛ < √2 − 1。
• 结果与近期研究（包括Oymak等[31]）一致且独立推导，确认δ₂ₛ < 0.472为当前最优结果。