용량 집합을 이용한 Basis Pursuit 성능 분석

본 논문은 희소 표현 문제에서 가장 널리 사용되는 Basis Pursuit(BP) 알고리즘의 복원 가능성을 기존의 뮤추얼 코히어런스(μ) 기반 이론을 넘어서는 새로운 관점으로 분석한다. 1. **문제 정의와 기존 이론**: 저자는 ℓ₀‑최적화 (P₀)와 그 완화인 ℓ₁‑최적화 (P₁) 사이의 관계를 소개하고, BP가 (P₁)의 해와 (P₀)의 해가 일치할 때 최희소 해를 정확히 복원한다는 점을 강조한다. 기존 연구는 주로 μ = max_{i≠j}|⟨d_i,d_j⟩|에 의존해 |Γ| < ½(1+1/μ) 와 같은 보수적인 지원 크기 한계를 제시했으며, 이는 실제 실험에서 관찰되는 O(N) 규모의 복원 가능성보다 크게 낮다. 2. **용량 집합의 정의**: - **용량 벡터 q**: 각 원소 q_k = max_{δ∈null(D)} |δ_k| subject to ‖δ‖₁=1 으로 정의한다. 이는 D의 널스페이스에서 ℓ₁‑노름이 1인 벡터 중 k번째 성분의 절대값 최대치를 의미한다. q_k는 독립적인 선형계획문을 풀어 쉽게 구할 수 있다. - **용량 행렬 Q**: q의 독립성 한계를 보완하기 위해, 두 원소를 동시에 고려하는 Q_{i,j}=max_{δ∈null(D)} |δ_i+δ_j| subject to ‖δ‖₁=1 을 정의한다. Q는 q보다 더 정교한 상관 구조를 포착한다. 3. **이론적 결과**: - **Lemma 2.1**에 의해 ∑_{k∈Γ} q_k < ½이면 지원 Γ 는 ℓ₁‑재구성 가능함을 보인다. - **Theorem A**는 q의 평균 E