가중치가 적용된 희소 복구를 위한 확장 그래프 기반 희소 행렬

본 논문은 가중치 ℓ₁ 최소화(WL1)를 사용한 희소 신호 복구 문제에 대해, 기존에 주로 연구되어 온 밀집 가우시안 또는 정규 직교 행렬 대신, (k,d,ε)‑손실 없는 확장 그래프의 인접 행렬이라는 매우 희소한 측정 행렬을 적용한다. 논문은 먼저 가중치 강건 영공간 특성(ω‑RNSP)을 정의한다. ω‑RNSP는 모든 벡터 v와 가중치 집합 S(ω(S)≤s)에 대해 ‖v_S‖_{ω,1} ≤ ρ‖v_{S^c}‖_{ω,1} + τ√s‖Av‖₁ 형태의 부등식을 만족하는데, 여기서 ρ<1, τ>0이다. 이 특성은 기존의 무가중치 NSP와 유사하지만, 가중치가 적용된 ℓ₁ 노름을 사용한다는 점에서 차별화된다. 다음으로, 논문은 (k,d,ε)‑손실 없는 확장 그래프가 위의 ω‑RNSP를 만족한다는 것을 정리 3.1을 통해 증명한다. 증명은 크게 두 단계로 이루어진다. 첫 단계에서는 k‑희소 벡터 x에 대해 충돌 집합 E′(같은 오른쪽 노드에 연결된 여러 왼쪽 노드)와 비충돌 집합을 구분하고, Lemma 3.1을 이용해 ∑_{e∈E′} ω_i|x_i| ≤ εd‖x‖_{ω,1}이라는 경계를 얻는다. 두 번째 단계에서는 임의의 벡터 z를 S₀(가장 큰 k개의 인덱스)와 그 여집합으로 나누어, 각 부분에 대해 확장성(|Γ(S)|≥(1−ε)d|S|)과 충돌 집합의 경계를 적용한다. 이를 통해 최종적으로 (5) 형태의 ω‑RNSP를 도출하고, ρ와 τ를 ρ=2ε·2k/(1−4ε·2k), τ=1/√{d(1−4ε·2k)}로 명시한다. 여기서 ε·2k<1/6이라는 조건이 필요하며, d는 각 열당 비트 수(보통 O(log N))이다. ω‑RNSP를 확보한 뒤, 정리 3.2와 보조 Lemma 3.2를 이용해 WL1 최적화 문제의 복구 오차를 분석한다. 구체적으로, 측정 y=Ax+e(‖e‖₁≤η)와 WL1 해 b̂에 대해 ‖b̂−x‖_{ω,1} ≤ C₁σ_s(x)_{ω,1} + C₂√s η가 성립한다. σ_s(x)_{ω,1}은 가중치 s‑항 근사 오차이며, C₁, C₂는 d와 ε에만 의존한다. 이 결과는 가중치가 모두 1일 때 기존 무가중치 ℓ₁ 복구와 동일한 형태가 되며, 가중치가 다를 경우 가중치 정보를 활용해 더 작은 오차를 얻을 수 있음을 의미한다. 샘플 복잡도 측면에서는 정리 3.3을 통해, 가중치 희소도 s=ω(S)인 신호를 복구하기 위해 필요한 측정 수 n이 O(s)임을 보인다. 이는 기존의 O(k log(N/k))와 비교해 선형적인 샘플 요구량을 제공한다. 특히, ε·2k가 충분히 작고 d=O(log N)인 경우, n≈C·s·log(N/s)보다 작은 수의 측정만으로도 정확한 복구가 가능하다. 이러한 샘플 효율성은 가중치 정보를 사전에 알고 있거나 추정할 수 있는 상황에서 큰 장점이 된다. 실험 섹션에서는 합성 신호와 실제 이미지 데이터를 사용해 제안된 희소 행렬과 기존의 밀집 가우시안 행렬을 비교한다. 결과는 다음과 같다. (1) 복구 정확도(ℓ₂ 및 ℓ₁ 오차)에서는 두 행렬이 비슷하거나, 가중치 정보를 활용한 경우 제안 방법이 약간 우수했다. (2) 연산 시간과 메모리 사용량에서는 희소 행렬이 밀집 행렬에 비해 10배 이상 빠르고, 저장 공간도 크게 감소했다. (3) 노이즈 강도 η가 증가해도 제안 방법은 τ·√s η 항에 의해 오차가 선형적으로 증가함을 확인했다. 마지막으로, 논문은 기존 연구와의 관계를 정리한다. 가중치 ℓ₁ 최소화와 가중치 NSP/RIPlike 조건을 처음으로 희소 행렬에 적용했으며, 이는