교대 L1 방식으로 압축 센싱 복원 성능 극대화

초록

본 논문은 라그랑지안 이중성을 활용해 기존 $l_1$ 완화보다 높은 복원율을 보이는 교대 $l_1$ 알고리즘을 제안한다. 알고리즘은 지원 집합을 반복적으로 갱신하면서 두 단계의 $l_1$ 최적화를 교대로 수행한다. 실험 결과는 전통적인 $l_1$ 방법과 Candès‑Wakin‑Boyd의 가중 $l_1$ 방법을 모두 능가함을 보여준다.

상세 요약

압축 센싱은 신호가 희소(sparse)하다는 가정 하에, 관측 수가 신호 차원보다 훨씬 적어도 정확한 복원을 가능하게 하는 이론적·실용적 프레임워크이다. 이때 복원 문제는 “가장 작은 지원(support)을 가진 해”를 찾는 NP‑hard 문제로 귀결되며, 실무에서는 이를 $l_1$‑노름 최소화라는 볼록 완화(convex relaxation)로 대체한다. $l_1$‑완화는 선형 프로그램(LP) 형태로 풀 수 있어 계산적으로 효율적이지만, 신호가 충분히 희소하고 측정 행렬이 RIP(Restricted Isometry Property)를 만족할 때만 정확한 복원을 보장한다. 실제 환경에서는 RIP 조건이 완화되거나 신호가 약간 덜 희소한 경우가 많아 $l_1$‑복원률이 급격히 떨어지는 문제가 있다.

이에 대한 기존 보완책으로는 가중 $l_1$ 방식이 있다. Candès, Wakin, Boyd는 초기 $l_1$ 복원 결과를 기반으로 각 계수에 가중치를 부여해 다시 $l_1$ 최소화를 수행하는 반복적 절차를 제안했으며, 이는 “재가중치(reweighted) $l_1$”라 불린다. 가중을 통해 큰 계수는 덜 패널티를, 작은 계수는 더 큰 패널티를 부여함으로써 실제 희소 구조를 더 잘 반영한다. 그러나 재가중치 방식은 가중치 업데이트 규칙과 파라미터 선택에 민감하고, 때때로 수렴이 느리며, 최적성 보장이 약하다.

본 논문은 이러한 한계를 극복하기 위해 라그랑지안 이중성(Lagrangian duality)을 기반으로 한 “교대 $l_1$” 프레임워크를 설계한다. 핵심 아이디어는 원래의 비선형 제약(지원 집합의 크기 제한)을 라그랑지안 승수와 결합해 두 개의 서브문제로 분리하는 것이다. 첫 번째 서브문제는 현재 지원 집합을 고정한 상태에서 $l_1$ 최소화를 수행하는 전통적 단계이며, 두 번째 서브문제는 현재 $l_1$ 해를 이용해 지원 집합을 재선정하는 단계이다. 두 단계는 번갈아 가며 실행되므로 “교대”라는 명칭이 붙는다.

수학적으로는 다음과 같은 최적화 모델을 고려한다.
\