압축 카운팅으로 구현하는 초고속 비음수 신호 복원

본 논문은 비음수 스파스 신호 복원을 위한 새로운 프레임워크인 압축 카운팅(Compressed Counting, CC)을 제안한다. 기존 압축 센싱은 가우시안 혹은 제한된 분산을 갖는 난수를 설계 행렬에 사용하고, ℓ₁ 최소화, OMP 등 복잡한 최적화 절차를 필요로 한다. 저자들은 데이터 스트림 환경에서도 효율적으로 동작할 수 있는 최대 비대칭 α‑stable 분포 S(α,1,1) (0 < α ≤ 0.5)에서 샘플링한 설계 행렬을 사용한다. 이 분포는 스케일링 특성 c₁s₁ + c₂s₂ ∼ S(α,1,(c₁^α + c₂^α)^{1/α}) 을 만족해, 선형 결합이 다시 같은 형태의 안정분포가 되므로 분석이 용이하다. **알고리즘** 1. 측정값 y_j = ∑_{i=1}^N x_i s_{ij}, j=1,…,M을 수집한다. 2. 각 좌표 i에 대해 \hat{x}_{i,\min}= min_{j} (y_j / s_{ij}) 를 계산한다. 이 과정은 좌표별로 한 번의 최소 연산만 수행하므로 전체 복원 비용은 O(NM) 이지만, 실제 구현에서는 M 이 O(K log N) 정도이므로 실질적인 복잡도는 O(N log N) 에 가깝다. **이론적 분석** - **MLE와 최소 추정량**: Likelihood 함수 L(x_i,θ_i) 는 y_j−x_i s_{ij}=0 점에서 무한대로 발산한다는 Lemma 1을 이용해, 비율 통계 y_j/s_{ij} 만을 사용하게 된다. Lemma 4는 이 최소값이 MLE와 동일함을 증명한다. - **비율 분포**: 두 독립 안정변수 S₁, S₂ 에 대해 T = (S₂/S₁)^{α/(1−α)} 의 누적분포 F_α(t) 를 적분식(11)로 정의하고, 작은 t 에 대해 F_α(t)=C_α t^{1−α}+o(t^{1−α}) 임을 Lemma 3에서 도출한다. 여기서 C_α 는 α에 따라 1에서 π/2 사이의 값으로, α→0이면 C_α→1, α=0.5이면 C_α=π/2 이다. - **오차 확률**: Lemma 5는 Pr( \hat{x}_{i,\min}−x_i ≥ ε ) =