Learning Structured Compressed Sensing with Automatic Resource Allocation

要約

多次元データの取得には長時間を要することが多く、データの保存と処理に関してハードウェアとソフトウェアに重大な課題が生じます。
従来の圧縮センシングのように単一の圧縮行列を設計するのではなく、構造化圧縮センシングは次元固有の圧縮行列を生成し、最適化可能なパラメータの数を減らします。
機械学習 (ML) の最近の進歩により、複雑な下流モデルを犠牲にしてではあるものの、サブサンプリング行列のタスクベースの教師あり学習が可能になりました。
さらに、ディメンション全体にわたるサンプリング リソースの割り当ては、多くの場合、ヒューリスティックによって事前に決定されます。
これらの課題に対処するために、情報理論に基づいた教師なし学習戦略を備えた自動リソース割り当てによる構造化 COmpressed Sensing (SCOSARA) を導入します。
SCOSARA は、フィッシャー情報コンテンツを最大化しながら、サンプルをサンプリング次元全体に適応的に分散します。
ケーススタディとして超音波位置特定を使用して、SCOSARA を最先端の ML ベースの貪欲検索アルゴリズムと比較します。
シミュレーション結果は、SCOSARA がベースラインよりも低い Cram\’er-Rao Bound 値を達成する高品質のサブサンプリング行列を生成できることを示しています。
さらに、SCOSARA は、軸ごとのサンプル数を自動的に選択しながら、トレーニング可能なパラメーターの数、計算の複雑さ、メモリ要件の点で他の ML ベースのアルゴリズムよりも優れています。

要約(オリジナル)

Multidimensional data acquisition often requires extensive time and poses significant challenges for hardware and software regarding data storage and processing. Rather than designing a single compression matrix as in conventional compressed sensing, structured compressed sensing yields dimension-specific compression matrices, reducing the number of optimizable parameters. Recent advances in machine learning (ML) have enabled task-based supervised learning of subsampling matrices, albeit at the expense of complex downstream models. Additionally, the sampling resource allocation across dimensions is often determined in advance through heuristics. To address these challenges, we introduce Structured COmpressed Sensing with Automatic Resource Allocation (SCOSARA) with an information theory-based unsupervised learning strategy. SCOSARA adaptively distributes samples across sampling dimensions while maximizing Fisher information content. Using ultrasound localization as a case study, we compare SCOSARA to state-of-the-art ML-based and greedy search algorithms. Simulation results demonstrate that SCOSARA can produce high-quality subsampling matrices that achieve lower Cram\’er-Rao Bound values than the baselines. In addition, SCOSARA outperforms other ML-based algorithms in terms of the number of trainable parameters, computational complexity, and memory requirements while automatically choosing the number of samples per axis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google