압축 샘플링 매칭 퍼스트(CoSaMP) 알고리즘: 불완전·노이즈 샘플로부터의 효율적 신호 복구

본 논문은 압축 샘플링(Compressive Sampling) 분야에서 “CoSaMP”(Compressive Sampling Matching Pursuit)이라는 새로운 반복 복구 알고리즘을 제안하고, 그 이론적 근거와 실용적 구현 방안을 상세히 제시한다. 1. **배경 및 동기** 압축 샘플링은 신호가 특정 직교 기저에 대해 희소하거나 압축 가능(compressible)할 때, 전체 신호를 측정하지 않고도 소수의 비적응적 샘플만으로 원본을 복원할 수 있음을 보여준다. 이때 핵심 질문은 “몇 개의 샘플이 필요하고, 어떤 알고리즘이 효율적으로 복원을 수행할 수 있는가?”이다. 기존에는 세 가지 접근법이 있다. (i) 탐욕적(greedy) 추구 알고리즘(OMP, StOMP 등), (ii) 볼록 최적화(L₁ 최소화, Basis Pursuit 등), (iii) 조합론적(combinatorial) 방법(FFT 기반 샘플링, HHS‑Pursuit 등). 각각은 샘플 효율성, 계산 복잡도, 잡음 강인성 측면에서 단점을 가지고 있다. 2. **제한된 등거리성(RIP)와 측정 행렬** 논문은 RIP(Restricted Isometry Property)를 핵심 가정으로 삼는다. 행렬 Φ가 δ₂s ≤ c (c는 작은 상수)인 경우, 모든 s‑희소 벡터 x에 대해 (1‑δ₂s)‖x‖₂² ≤ ‖Φx‖₂² ≤ (1+δ₂s)‖x‖₂²가 성립한다. 이는 임의의 s‑희소 신호가 Φ에 의해 거의 등거리 변환된다는 의미이며, Gaussian 행렬, 부분 푸리에 행렬 등 무작위 행렬이 m = O(s·log N) 샘플로 이 조건을 만족한다는 것이 알려져 있다. 3. **CoSaMP 알고리즘 설계** CoSaMP은 다음 5단계의 반복으로 구성된다. - **식별(Identification)**: 현재 잔차 r에 대해 프록시 y = Φᵗr을 계산하고, 절대값이 큰 2s개의 인덱스를 선택한다. - **지원 병합(Support Merger)**: 새로 선택된 인덱스와 기존 추정의 지원을 합쳐 최대 3s(또는 4s) 규모의 후보 지원 집합 Ω를 만든다. - **추정(Estimation)**: Ω에 대해 최소제곱 문제 a_Ω = argmin‖Φ_Ω a_Ω – u‖₂를 풀어, 해당 지원 위에서 신호 값을 추정한다. - **가지치기(Pruning)**: a_Ω 중 절대값이 큰 s개의 계수만 남기고 나머지는 0으로 만든다, 이를 새로운 추정 a로 설정한다. - **샘플 업데이트(Sample Update)**: 새로운 잔차 r = u – Φa 를 계산하고, 다음 반복에 사용한다. 알고리즘은 사전 정의된 반복 횟수 혹은 ‖r‖₂가 목표 정밀도 η 이하가 되면 종료한다. 4. **이론적 성능 보장** 주요 정리는 다음과 같다. - **오류 상한**: ‖x – a‖₂ ≤ C·max{ η, (1/√s)‖x – xₛ‖₁ } + ‖e‖₂, 여기서 xₛ는 x의 최적 s‑희소 근사, e는 측정 잡음이다. - **수렴 속도**: 각 반복마다 ‖r‖₂는 상수 비율(예: 0.5)만큼 감소한다. 따라서 전체 실행 시간은 O(L·log(‖x‖₂/η)), 여기서 L은 Φ·v 혹은 Φᵗ·v 연산 비용이다. - **복잡도**: 행렬‑벡터 곱이 빠른 경우(예: 부분 푸리에 행렬) L = O(N·log N)이며, 전체 시간은 O(N·log N·log(‖x‖₂/η)) ≈ O(N·log² N)이다. 메모리 사용량은 O(N)으로, 대규모 문제에서도 실용적이다. 5. **구현 세부 사항** - **지원 집합 관리**: 힙 혹은 파티션 알고리즘을 이용해 2s개의 최대 절대값 인덱스를 효율적으로 찾는다. - **최소제곱 해결**: QR 분해, 정규 방정식, 혹은 Conjugate Gradient 등 다양한 방법을 사용할 수 있다. 행렬 Φ_Ω가 충분히 잘 조건화되어 있으면 직접 역행렬을 구하지 않아도 된다. - **정확도와 정지 조건**: 고정 반복 횟수 외에도 ‖r‖₂/‖u‖₂ < ε, 혹은 연속 두 반복 간 ‖aᵏ – aᵏ⁻¹‖₂ < ε와 같은 실용적인 기준을 제시한다. 6. **비교 및 평가** CoSaMP은 기존 탐욕적 방법인 OMP보다 더 많은 지원을 한 번에 식별함으로써 “스텝당 정보량”을 늘리고, 따라서 동일한 RIP 조건 하에서 더 빠른 수렴을 보인다. 또한 L₁ 최소화 기반 방법과 동일한 복구 정확도(ℓ₁‑오차에 비례)를 유지하면서, 복잡도는 크게 낮아진다. 실험 결과(논문 부록에 기술)는 Gaussian 및 부분 푸리에 행렬에 대해, 동일한 샘플 수에서 CoSaMP이 OMP와 Basis Pursuit보다 5~10배 빠르게 수렴함을 보여준다. 7. **결론 및 향후 연구** CoSaMP은 “행렬‑벡터 곱만으로 구현 가능한” 경량 구조와 “RIP 기반 강력한 오류 보장”을 동시에 제공한다. 이는 실시간 영상 복원, 무선 센서 네트워크, 의료 영상(MRI) 등 연산 자원이 제한된 환경에서 압축 샘플링을 실제 적용하기에 최적의 후보가 된다. 향후 연구로는 (i) 비정규화된 측정 행렬에 대한 이론 확장, (ii) 동적/적응형 샘플링과의 결합, (iii) GPU/FPGA 가속을 통한 초고속 구현 등이 제시된다.