스파스 신호 복원을 위한 교대 서브스페이스 방법

초록

본 논문은 ADMM 기반 LASSO 해결 과정에 서브스페이스 제한을 도입한 Alternating Subspace Method(ASM)를 제안한다. 서브스페이스 내에서 데이터 적합성을 수행함으로써 연산량을 크게 감소시키면서도 전역 수렴성을 보장하고, LASSO 문제에 대해 국소 기하학적 수렴률을 입증한다. 실험 결과는 ASM이 기존 ADMM 및 SSNAL에 비해 빠른 수렴과 높은 정확도를 제공함을 보여준다. 또한 플러그‑인·플러그‑앤‑플레이(Plug‑and‑Play) 형태의 다양한 사전(prior) 모델을 손쉽게 통합할 수 있어 유연성이 뛰어나다.

상세 분석

본 연구는 압축 센싱에서 널리 사용되는 ADMM과 그 변형인 ISTA 사이의 근본적인 프로시멀 그라디언트 구조를 명확히 밝히고, 이를 서브스페이스 제한과 결합하는 새로운 알고리즘인 ASM을 설계한다. 핵심 아이디어는 소프트‑쓰레숄딩 단계에서 얻어지는 지원 집합 Eₖ를 이용해, L‑step(데이터 적합성)에서 전체 변수 공간이 아닌 |Eₖ|‑차원의 저차원 서브스페이스로 문제를 축소하는 것이다. 이때 서브스페이스 외부 변수는 영으로 고정하되, 멀티플라이어 sₖ를 적절히 조정해 영 고정이 영구적 고정으로 전이되지 않도록 설계한다. 논문은 이를 “프로시멀 잔차 제어”라는 개념으로 정량화하여, 서브스페이스 제한이 전역 수렴성을 해치지 않으며, 평균 연산(averaging) 파라미터 d 를 통해 기존 ADMM의 초기 급속 수렴을 그대로 유지함을 증명한다. 또한 LASSO에 특화된 경우, 제한된 서브스페이스에서의 최소제곱 문제는 고정된 행렬 Âₖ 에 대한 작은 선형 시스템으로 변환되므로, 저‑랭크 업데이트와 같은 고속 선형 솔버와 자연스럽게 결합될 수 있다. 수렴 분석에서는 두 개의 독립적인 연산자 분할(ADMM ↔ Douglas‑Rachford Splitting) 관점을 활용해, 서브스페이스 제한이 적용된 경우에도 프로시멀 연산의 비대칭성을 유지함을 보이고, 이를 기반으로 전역 수렴을 보장하는 정리와 LASSO에 대한 국소 기하학적(선형) 수렴률을 제시한다. 실험에서는 M=200, N=500인 설정에서 500번의 독립 시뮬레이션을 수행했으며, ASM은 ADMM과 비교해 KKT 잔차가 10⁻⁸ 수준까지 도달하는 데 필요한 반복 횟수가 약 30% 감소하였다. 특히 지원 집합 크기가 M 을 초과하는 구간에서도 전체 연산량이 크게 감소함을 확인했다. 마지막으로, 플러그‑인·플러그‑앤‑플레이(PnP) 프레임워크와의 연계성을 강조해, 단순 소프트‑쓰레숄딩을 넘어 베이지안 사전, 마코프 체인 기반 상관 구조, 심지어 학습된 신경망 디노이저까지 손쉽게 교체 가능함을 실험적으로 검증하였다. 이러한 설계는 기존 ADMM 기반 방법이 갖는 “고정된 사전”의 한계를 뛰어넘어, 다양한 응용 분야(채널 추정, 동적 압축 센싱 등)에서 높은 효율성과 정확도를 동시에 달성할 수 있음을 시사한다.