정확한 영공간 조건 검증을 위한 샌드위치 알고리즘

본 논문은 압축 센싱(Compressed Sensing) 분야에서 핵심적인 영공간 조건(null space condition, NSC)의 검증 문제를 새로운 알고리즘적 관점에서 다룬다. NSC는 행렬 A∈ℝ^{(n−m)×n}에 대해, 영공간에 속하는 모든 비영벡터 z에 대해 ‖z_K‖₁<‖z_{K^c}‖₁ (∀|K|≤k) 가 성립하면 k‑희소 신호를 ℓ₁ 최소화로 정확히 복원할 수 있음을 보장한다. 이를 정량화한 지표가 αₖ=max_{z≠0,Az=0} max_{|K|≤k} ‖z_K‖₁/‖z‖₁이며, αₖ<½이면 NSC가 만족된다. 그러나 αₖ를 직접 계산하는 문제는 NP‑hard이며, 기존 연구는 주로 반경계(upper/lower bound)를 SDP·LP 완화 형태로 얻는 데 머물렀다. **1. Pick‑1 알고리즘** 저자는 먼저 각 좌표 i에 대해 β₁,{i}=max_{x∈ℝ^m} |(Hx)_i| s.t. ‖(Hx)_i‖₁≤1 (여기서 H는 A의 영공간 기저) 를 구한다. 이 최적값을 α₁,{i}=β₁,{i}/(1+β₁,{i}) 로 변환하고, α₁,{i}를 내림차순 정렬한다. 그 후 상위 k개의 합 Σ_{j=1}^k α₁,{i_j} 를 αₖ의 상한으로 사용한다. Lemma 2.1을 통해 αₖ≤Σ_{j=1}^k α₁,{i_j} 가 증명되며, 이 과정은 O(n·poly(m)) 시간에 수행된다. **2. Pick‑l 알고리즘 (2≤l≤k)** l‑원소 부분집합 L⊂{1,…,n}에 대해 β_{l,L}=max_{x} ‖(Hx)_L‖₁ s.t. ‖(Hx)_L‖₁≤1 을 정의하고, α_{l,L}=β_{l,L}/(1+β_{l,L}) 로 변환한다. 모든 C(n,l)개의 L에 대해 위 값을 계산한 뒤, α_{l,L}를 내림차순 정렬한다. 그 다음 가중계수 C(k,l)/C(k‑1,l‑1) 를 곱해 Σ_{j=1}^{C(n,l)} α_{l,L_j}·C(k,l)/C(k‑1,l‑1) 를 αₖ의 상한으로 사용한다. Lemma 3.1에 의해 이 상한이 유효함이 증명된다. l을 키우면 상한이 점점 타이트해지지만, 계산량은 조합적으로 증가한다. **3. 최적화된 계수 도입** pick‑l 알고리즘의 고정 계수 대신, γ_i≥0 라는 가중치를 도입해 선형계획(LP) 문제를 풀어 상한을 최소화한다. 목표는 max Σ_i γ_i α_{l,L_i} 로, 제약식은 Σ_i γ_i ≤ k·l, 그리고 모든 부분집합 I (|I|=b) 에 대해 Σ_{i: I⊂L_i} γ_i ≤ C(k‑b,l‑b)·C(k‑1,l‑1) (1≤b≤l) 이다. 이 LP는 기존 pick‑l 상한보다 항상 같거나 더 작음을 Lemma 4.1이 보인다. 또한 l>a 일 때 pick‑a 알고리즘보다 pick‑l 알고리즘이 더 타이트한 상한을 제공함을 Lemma 4.2가 증명한다. **4. 샌드위치 알고리즘** 위에서 얻은 다중 상한(upper bound)과 기존 LP/SDP 기반 하한(lower bound)을 이용해 구간