2OSCAR 기반 그룹 희소 행렬 복구: 빠른 수렴과 높은 정확도
본 논문은 압축 측정으로부터 2차원(행렬) 형태의 그룹 희소 신호를 복구하기 위해 OSCAR 정규화를 2차원으로 확장한 2OSCAR를 제안한다. 2OSCAR의 근접 연산자를 기존 OSCAR 근접 연산자를 이용해 효율적으로 계산할 수 있음을 보이고, FISTA, TwIST, SpaRSA, ADMM, SBM, PADMM 등 여섯 가지 최신 근접 분할 알고리즘으로 최적화한다. 실험 결과 SpaRSA가 가장 빠른 수렴 속도를 보이며, PADMM이 가장…
저자: Xiangrong Zeng, Mario A. T. Figueiredo
본 논문은 압축 센싱 환경에서 2차원(행렬) 형태의 그룹 희소 신호를 복구하는 새로운 방법론을 제시한다. 기존 연구에서는 주로 벡터 형태의 희소 복구를 다루었으며, 행렬의 경우는 주로 행 또는 열 단위의 그룹(예: 다중 측정 벡터 모델, 그룹 LASSO)만을 고려했다. 그러나 실제 응용에서는 블록, 라인, 곡선 등 다양한 형태의 비정형 그룹이 존재한다. 이러한 요구를 충족시키기 위해 저자들은 OSCAR(Octagonal Shrinkage and Clustering Algorithm for Regression) 정규화를 2차원으로 확장한 2OSCAR를 고안하였다.
OSCAR는 ℓ₁ 정규화와 모든 변수 쌍에 대한 ℓ_∞ 정규화( max{|x_i|,|x_j|} )를 결합한 형태로, 변수 간 절대값 동등성을 촉진하여 자동으로 그룹을 형성한다. 2OSCAR는 행렬 X 를 벡터화한 뒤 기존 OSCAR 정규화를 적용함으로써 정의된다: Φ_{2OSCAR}(X) = Φ_{OSCAR}(vec(X)). 중요한 수학적 결과는 2OSCAR의 근접 연산자 prox_{Φ_{2OSCAR}}가 기존 OSCAR 근접 연산자를 그대로 사용해 계산될 수 있다는 점이다: prox_{Φ_{2OSCAR}}(Z) = vec^{-1}(prox_{Φ_{OSCAR}}(vec(Z))). 이 관계를 이용하면 새로운 정규화에 대한 별도 근접 연산자를 설계할 필요 없이, 기존에 효율적으로 구현된 OSCAR 근접 연산자를 재활용할 수 있다.
문제 설정은 다음과 같다. 관측 모델 Y = AX + W, 여기서 A∈ℝ^{m×n}, X∈ℝ^{n×d}, Y∈ℝ^{m×d}, W는 가우시안 잡음이다. m
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기