극히 희소한 압축 카운팅으로 비음수 신호 복원

1. 서론 압축 센싱은 신호가 K‑희소하고 차원이 N일 때, M≪N개의 선형 측정으로 원본을 복원하는 기술이다. 대부분의 기존 연구는 복원 정확도를 위해 밀집 설계 행렬을 사용한다. 그러나 비음수 데이터(예: 이미지, 영상)는 자연스럽게 양의 값만을 가지며, 이러한 특성을 활용하면 설계 행렬을 더 간단히 할 수 있다. 저자들은 이전에 ‘Compressed Counting(CC)’이라는 방법을 제안했는데, 이는 최대 비대칭 α‑stable 분포에서 샘플링한 밀집 행렬을 이용해 비음수 K‑희소 신호를 복원한다. 본 논문은 그 아이디어를 ‘매우 희소한’ 형태로 확장한다. 2. 방법론 설계 행렬 S∈ℝ^{M×N}의 원소 s_{ij}는 S(α,1,1) (α∈(0,1))에서 i.i.d.로 추출한다. 이후 각 원소를 확률 γ로 1, 1−γ으로 0으로 바꾸어 평균 (1−γ) 비율을 영(0)으로 만든다. 즉, r_{ij}∼Bernoulli(γ)이며 s_{ij}·r_{ij}가 실제 설계 행렬 원소가 된다. 측정은 y_j = Σ_{i=1}^N x_i·s_{ij}·r_{ij} 로 수행한다. 복원 단계에서는 각 좌표 i에 대해 T_i={j | r_{ij}=1} 를 정의하고, ˆx_{i,min,γ}=min_{j∈T_i} y_j·s_{ij}·r_{ij} 를 추정량으로 사용한다. 이 최소값은 x_i에 비해 오차가 ε 이하가 될 확률을 분석한다. 3. 이론적 분석 오류 확률 Pr(ˆx_{i,min,γ}>x_i+ε) 를 정확히 표현하기 위해 두 독립 α‑stable 변수 S_1, S_2의 비율 분포 F_α(t)=Pr((S_2/S_1)^{α/(1−α)}≤t)를 도입한다. Lemma 1은 F_α(t)의 적분 표현을 제시하고, α→0+ 일 때 F_0(t)=1/(1+1/t) 로 단순화한다. Lemma 2는 오류 확률을 Pr(ˆx_{i,min,γ}>x_i+ε)=1−γ·E