[论文解读] Uncertainty quantification for sparse Fourier recovery

Frederik Hoppe, Felix Krahmer+3 more|arXiv (Cornell University)|Dec 30, 2022

Sparse and Compressive Sensing Techniques被引用 4

一句话总结

该论文通过为MRI中使用的子采样傅里叶矩阵等有界正交系统引入一种专用于稀疏傅里叶恢复的去稀疏化LASSO估计器，扩展了不确定性量化（UQ）方法。在满足 $ n \gtrsim \max\{s\log^2s\log p, s\log^2p\} $ 测量条件时，该方法实现了具有最优 $1/\sqrt{n}$ 收敛速率的诚实置信区间，即使信号在非标准基（如哈尔小波基）下稀疏也成立。

ABSTRACT

One of the most prominent methods for uncertainty quantification in high-dimen-sional statistics is the desparsified LASSO that relies on unconstrained $\ell_1$-minimization. The majority of initial works focused on real (sub-)Gaussian designs. However, in many applications, such as magnetic resonance imaging (MRI), the measurement process possesses a certain structure due to the nature of the problem. The measurement operator in MRI can be described by a subsampled Fourier matrix. The purpose of this work is to extend the uncertainty quantification process using the desparsified LASSO to design matrices originating from a bounded orthonormal system, which naturally generalizes the subsampled Fourier case and also allows for the treatment of the case where the sparsity basis is not the standard basis. In particular we construct honest confidence intervals for every pixel of an MR image that is sparse in the standard basis provided the number of measurements satisfies $n \gtrsim\max\{ s\log^2 s\log p, s \log^2 p \}$ or that is sparse with respect to the Haar Wavelet basis provided a slightly larger number of measurements.

研究动机与目标

• 开发一种适用于MRI中子采样傅里叶矩阵等结构化测量设计的高维稀疏恢复不确定性量化（UQ）框架。
• 将此前仅限于i.i.d.次高斯设计的去稀疏化LASSO方法扩展至有界正交系统，包括基于傅里叶和小波的稀疏性。
• 为MR图像中的单个像素构建诚实置信区间，确保在现实采样条件下对真实信号的覆盖。
• 在真实造影数据上通过实验验证该方法，展示其在不同稀疏度水平和噪声条件下的鲁棒性。

提出的方法

• 通过利用标准LASSO解的KKT条件，将去稀疏化LASSO估计器进行适配，推导出线性化且渐近正态的估计器。
• 使用一种去偏估计器校正ℓ₁-正则化引入的偏差，为信号的每个分量构建置信区间。
• 在有界正交系统下建立理论保证，将先前针对次高斯设计的结果推广至结构化的傅里叶型测量算子。
• 提出一种改进的估计器，在保持一致性的同时，即使真实信号在非标准基（如哈尔小波基）下稀疏，也能实现有效的推断。
• 采用数据驱动的LASSO调参方法，设定 $\lambda = 25\lambda_0$，其中 $\lambda_0 = \sigma / \sqrt{n} \cdot (2 + \sqrt{10\log p})$，以确保鲁棒性能。
• 通过子采样傅里叶测量、添加复噪声，并将置信区间与真实值对比，对2D MRI造影数据验证该方法。

实验结果

研究问题

• RQ1 去稀疏化LASSO能否扩展至MRI中常见的子采样傅里叶矩阵等结构化测量矩阵？
• RQ2 在有界正交系统下，实现稀疏傅里叶恢复的可靠不确定性量化所需的最少测量数 $n$ 是多少？
• RQ3 当真实信号在非标准基（如哈尔小波基）下稀疏而非标准基时，该方法表现如何？
• RQ4 所构建的置信区间是否具有统计诚实性，即在多次实现中是否以高概率覆盖真实信号分量？
• RQ5 在实际MRI应用中，该UQ框架对稀疏度水平和噪声水平变化的鲁棒性如何？

主要发现

• 在 $ s_0 = 1282 $ 稀疏度和 $ n = 36,864 $ 测量数（$ n = 0.4p $）下，该方法对MR图像中每个像素实现了诚实置信区间，覆盖概率为 $ h_{S_0} \approx 0.93 $。
• 对于 $ s_0 = 1282 $，在100次蒙特卡洛实现中，命中率 $ h_{S_0} = 0.931 $，总体覆盖率为 $ h = 0.951 $，表明其具有强大的经验有效性。
• 即使理论条件 $ n \gtrsim s\log^2p $ 未完全满足，该方法仍保持鲁棒性，高稀疏度下命中率仅轻微下降。
• 在 $ s_0 = 5510 $ 时，命中率降至 $ h_{S_0} = 0.823 $，但置信区间在大多数情况下仍覆盖真实值，显示出对稀疏度增加的抗性。
• 所有测试稀疏度水平下，重建图像与真实值之间的SSIM均保持较高水平（$\geq 0.889 $），表明结构相似性良好。
• 置信区间的半径与噪声水平 $ \sigma $ 成正确比例，证实了理论预测，并确保在不同噪声条件下实现有效推断。