[论文解读] Verifiable and computable performance analysis of sparsity recovery

Gongguo Tang, Arye Nehorai|arXiv (Cornell University)|Feb 23, 2011

Sparse and Compressive Sensing Techniques参考文献 23被引用 11

一句话总结

本论文提出了一种基于 ℓ∞ 范数作为性能准则的可验证且可计算的稀疏恢复性能分析方法。该方法通过第二类锥规划（SOCP）和线性规划（LP）提出了一类可计算的感知矩阵优良度度量，实现了紧致且可验证的误差界，其性能优于传统的基于受限等距常数（RIC）的界，尤其在低稀疏度水平下表现更优。

ABSTRACT

In this paper, we develop verifiable and computable performance analysis of sparsity recovery. We define a family of goodness measures for arbitrary sensing matrices as a set of optimization problems, and design algorithms with a theoretical global convergence guarantee to compute these goodness measures. The proposed algorithms solve a series of second-order cone programs, or linear programs. As a by-product, we implement an efficient algorithm to verify a sufficient condition for exact sparsity recovery in the noise-free case. We derive performance bounds on the recovery errors in terms of these goodness measures. We also analytically demonstrate that the developed goodness measures are non-degenerate for a large class of random sensing matrices, as long as the number of measurements is relatively large. Numerical experiments show that, compared with the restricted isometry based performance bounds, our error bounds apply to a wider range of problems and are tighter, when the sparsity levels of the signals are relatively low.

研究动机与目标

• 开发一种既可验证又可计算的稀疏信号恢复性能分析框架，以克服传统受限等距常数（RIC）分析的局限性。
• 为任意感知矩阵定义一类可计算且可验证的优良度度量，实现在测量获取前对性能进行实际评估。
• 基于这些新度量推导恢复误差界，特别关注与支持恢复直接相关的 ℓ∞ 范数性能。
• 在满足测量条件的前提下，证明所提度量对大类随机感知矩阵的非退化性。
• 通过提供可计算的性能保证，实现 MRI、雷达和传感器阵列等应用中的最优感知矩阵设计。

提出的方法

• 将感知矩阵的一类优良度度量定义为涉及 ℓ∞ 和 ℓ1 范数的优化问题的解，其约束条件为测量矩阵的对偶范数。
• 将这些度量的计算表述为一系列第二类锥规划（SOCP）或线性规划（LP），确保具有理论保证的全局收敛性。
• 利用不动点迭代和连续性论证，验证底层优化问题解的存在性与唯一性。
• 通过证明：若 ℓ∞ 误差控制在最小非零信号分量的一半以内，则可实现精确的支持识别，从而建立误差向量 ℓ∞ 范数与支持恢复之间的联系。
• 利用连续性与紧致性论证，证明可行集中 ℓ∞ 与 ℓ1 范数比值存在统一有界性，从而确保度量的非退化性。
• 实现一种高效算法，用于验证在无噪声情况下精确稀疏恢复的充分条件，基于计算得到的优良度度量。

实验结果

研究问题

• RQ1 能否为任意感知矩阵的 ℓ1 基稀疏信号恢复性能界实现可验证且可计算？
• RQ2 如何基于感知矩阵的可计算度量来界定重构误差的 ℓ∞ 范数？
• RQ3 所提出的框架在紧致性和适用性方面是否能超越传统的 RIC 基界，特别是在低稀疏度水平下？
• RQ4 在何种条件下，所提出的优良度度量对随机感知矩阵是非退化的？
• RQ5 ℓ∞ 基性能分析在多大程度上可实现 MRI 和雷达等应用中感知系统的实际设计与验证？

主要发现

• 所提出的优良度度量可通过第二类锥规划或线性规划计算，从而实现对感知矩阵性能的实际评估。
• 该框架提供了基于 ℓ∞ 范数的恢复误差界，其紧致性优于基于受限等距常数的界，尤其在信号稀疏度较低时表现更优。
• 只要测量数足够多，该优良度度量对一大类随机感知矩阵是非退化的。
• 基于 ℓ∞ 范数的分析可直接支持精确支持恢复，因为当 ℓ∞ 误差控制在最小非零信号分量的一半以内时，可确保非零分量的正确识别。
• 优化问题的不动点公式化确保了所提算法的全局收敛性，并具有解的存在性与唯一性的理论保证。
• 数值实验表明，所提界适用于更广泛的问题范围，且在低稀疏度区域比 RIC 基界更紧致。