AMP算法相关内容:
1.基本概要:
标准线性回归(SLR)问题是从噪声线性观测值Y= AX0+W恢复向量X0。Donoho、Maleki和Muntali提出的近似消息传递(AMP)算法是一种计算效率很高的迭代方法,它对SLR具有显著的性质:对于大I.I.D.亚高斯矩阵A,其每次迭代行为的严格特征是标量状态演化,其不动点在唯一时是Bayes最优的。然而,AMP算法是脆弱的,因为即使是与i.i.d.亚高斯模型的微小偏差也会导致算法发散。本文考虑了一个向量AMP(VAMP)算法,证明了VAMP具有严格的标量状态演化,它适用于更广泛的一类大随机矩阵a:那些正交不变的矩阵在执行A的初始奇异值分解(SVD)之后,VAMP的每次迭代复杂度与AMP相似。此外,VAMP状态演化的不动点与由Tulino、Caire、Verd'u和Shamai导出的最小均方误差的副本预测一致数值实验验证了VAMP的有效性及其与状态演化预测的一致性。
1.1.基本问题:
对于上述问题的求解,主要可以通过如下两种方法进行:
(1)regularized quadratic loss minimization(正则化二次损失最小化),正则化优化问题:
(2)Bayesian methodology(贝叶斯方法)
假设存在一个先验概率p(x),和似然函数p(y|x),然后计算后验概率:
对应的最小均方误差估计则可以表示为:
如果噪声 ,则优化问题可以等价为在先验 条件下的最大后验概率估计(MAP)
1.2.AMP算法解析
g1为软阈值函数,也可以说成为去噪函数
A为一个大型亚高斯矩阵, ,g1是可分离的,即
由此可见AMP对应的rk似乎表现为一个被高斯白噪声干扰的信号,即
其中 可以通过状态演化(state evolution,SE)预测:
是AMP的MSE估计x
AMP的状态演化(SE)为A(高斯或亚高斯)严格建立。
AMP算法流程:
VAMP同AMP的差别在于前者采用奇异值分解的方法来处理矩阵
其他的差别在于对矩阵的处理,即每个分量为向量而非具体数值,VAMP算法步骤如图
Code at: