희소 재구성을 위한 서브선형 알고리즘과 ℓ₂/ℓ₂ 복원 보장

본 논문은 압축 센싱(Compressed Sensing) 분야에서 두 가지 혁신적인 접근을 제시한다. 첫 번째는 **Deterministic(결정적) 센싱 행렬**의 설계이며, 두 번째는 이러한 행렬에 최적화된 **서브선형 복원 알고리즘(Chirp Reconstruction)** 의 제안이다. 전통적인 압축 센싱 이론은 랜덤 가우시안·베르누이 행렬이 제한 등거리성(RIP)을 만족함을 이용해 k‑희소 신호를 N ≪ C 개의 선형 측정으로 정확히 복원할 수 있음을 보였다. 그러나 랜덤 행렬은 구현 복잡도와 저장 요구량이 크고, 실제 시스템에 적용하기 어려운 단점이 있다. 이를 보완하고자, 저자들은 **Statistical Restricted Isometry Property (StRIP)** 라는 새로운 평균‑케이스 등거리 개념을 도입한다. StRIP은 “k‑희소 벡터의 지원이 균등 무작위일 때”만 등거리성을 요구함으로, 전통적인 RIP보다 완화된 조건이지만, 평균적인 복원 성능을 충분히 보장한다. ### 1. Delsarte‑Goethals(이진 챕) 기반 결정적 센싱 행렬 논문은 Delsarte‑Goethals 코드 집합 DG(m,r) 에서 파생된 행렬 Φ를 사용한다. 행렬의 행은 이진 m‑튜플 x∈F₂^m 로, 열은 (P,b) 쌍으로 인덱싱된다. 여기서 P는 m×m 대칭 이진 행렬, b는 m‑튜플이며, DG(m,r) 집합은 다음 성질을 가진다. - **군 구조**: 열 벡터 집합 G는 포인트와이즈 곱셈에 대해 차수 2^{(r+2)m} 의 아벨 군을 형성한다. - **랭크 보장**: 서로 다른 두 행렬 차의 랭크가 최소 m‑2r 로, 이는 행렬의 상호 독립성을 보장한다. - **중복도**: 행 수 N = 2^m, 열 수 C = 2^{(r+2)m} 로, N ≪ C 가 가능하다. 이러한 구조는 **StRIP** 를 만족함을 정리 2에서 증명한다. 구체적으로, (k,ε,δ)-StRIP 조건을 만족하는 확률 δ = 2 exp(−