OAMP的理解

Orthogonal Approximate Message Passing, OAMP

  • 1 前言
  • 2 绪论
  • 3 AMP
    • 3.1 AMP算法
    • 3.2 AMP-state evolution与等效信号模型
  • 4 OAMP
    • 4.1 OAMP产生的动机
    • 4.2 去相关的线性估计
    • 4.3 OAMP算法
    • 4.4 估计误差迭代与OAMP-state evolution
    • 4.5 关于OAMP的合理性以及两个重要假设
      • 4.5.1 从假设2看假设1
      • 4.5.2 从假设1看假设2
    • 4.6 MSE估计和state evolution仿真
      • 4.6.1 非线性均方误差的估计
      • 4.6.2 线性均方误差的估计
  • 5 总结
  • 6 参考

1 前言

本次博文主要介绍了OAMP论文,同时加了一些粗浅的理解。一方面,前两部分涉及了一些AMP相关的知识以及我自己给出的解释,另一方面,博文所推公式可能与论文稍有偏差,笔者才疏学浅,又是第一次写博客,这两个部分都不敢保证能理解到位和描述清晰,难免解释可能会有所偏差,甚至有歪曲原文的不当之处,还希望各位读者能够包涵。下一篇博文可能会是对VAMP的解读,希望这可以在年内完成,之后博客可能会推出一些与消息传递算法较相关的论文介绍,以及自认为有价值的积累。

2 绪论

简短回顾一下Approximate Message Passing (AMP) 的问题模型

y = A x + n (1a) \pmb y=\pmb A \pmb x + \pmb n \tag{1a} yyy=AAAxxx+nnn(1a) x j ∼ P X ( x ) , ∀ x (1b) \mathit x_{j} \sim P_{X}(x), \forall x \tag{1b} xjPX(x),x(1b)

其中 A ∈ C M × N \pmb A \in \mathbb C^{M \times N} AAACM×N是感知矩阵, n ∈ C M × 1 \pmb n \in \mathbb C^{M \times 1} nnnCM×1是均值为 0 0 0,方差为 σ 2 \sigma^{2} σ2的高斯向量。AMP的一个重要性质就是其算法性能可以用state evolution来精确刻画,就是说给定真实的 x \pmb x xxx,我们可以依据state evolution的结果 τ t \tau^{t} τt,预测AMP在第 t t t次迭代过程中估计得到的 x ^ t {\hat {\pmb x}}^{t} xxx^t与真实 x \pmb x xxx的均方差(MSE) E [ ∥ x − x ^ t ∥ 2 2 ] \mathbb E[{\Vert \pmb x-{\hat {\pmb x}}^{t} \Vert}^2_{2} ] E[xxxxxx^t22],表示为

τ t 2 → 1 N ∥ x − x ^ t ∥ 2 2 , ( N → ∞ ) (2) { \tau_{t} }^{2} \rightarrow \frac{1}{N} {\Vert \pmb x-{\hat {\pmb x}}^{t} \Vert}^2_{2}, (N \rightarrow \infty) \tag{2} τt2N1xxxxxx^t22,(N)(2)

事实上,式(2)为趋近于而不是严格等于,因为 1 N ∥ x − x ^ t ∥ 2 2 \frac{1}{N} {\Vert \pmb x-{\hat {\pmb x}}^{t} \Vert}^2_{2} N1xxxxxx^t22是关于 x ^ t {\hat {\pmb x}}^{t} xxx^t的二阶Lipschitz函数,满足如下收敛关系

1 N ∥ x − x ^ t ∥ 2 2 → E [ ∥ x − x ^ t ∥ 2 2 ] , ( N → ∞ ) (3) \frac{1}{N} {\Vert \pmb x-{\hat {\pmb x}}^{t} \Vert}^2_{2} \rightarrow \mathbb E[{\Vert \pmb x-{\hat {\pmb x}}^{t} \Vert}^2_{2} ] , (N \rightarrow \infty) \tag{3} N1xxxxxx^t22E[xxxxxx^t22],(N)(3)

但遗憾的是,大部分情况下,只有当 A \pmb A AAA为高斯矩阵或者次高斯矩阵时,state evolution才能与AMP估计的结果统一,如果感知矩阵的特征值分布与高斯矩阵的特征值分布相差较远,AMP的性能就不能保证,甚至可能会出现不收敛的情况。为了解决该问题,Junjie Ma和Li Ping提出了OAMP[1]

AMP还有一个重要的点是其线性迭代过程中含有"onsager"这一项,它的作用是为了消除迭代过程中感知矩阵 A \pmb A AAA与估计结果 x ^ t {\hat {\pmb x}}^{t} xxx^t之间的相关性。虽然OAMP把AMP中的“onsager”这一项给去掉了,但是为了补偿"onsager"原来的作用,OAMP在非线性估计中加入了divergence-free的约束(可能divergence-free这个概念有点抽象,简单理解为导数为0就行)。

备注:其实OAMP并没有严格意义的数学推导,作者先是给了两个独立性的假设(假设1和假设2),而OAMP-state evolution就是由该假设条件推出来的。让OAMP迭代开始( t = 0 t=0 t=0时刻)先保证独立性,满足两个假设条件之一,如果之后的每一次迭代假设1和假设2都能互相推出对方,那么我们可以认为每一次迭代的程始终可以保证独立条件成立,也就保证了state evolution。但略有遗憾,假设1和假设2只能“部分”地互相推出对方,可以保证不相关(由正交推出),但是不能保证独立。幸运的是,仿真结果表明,虽然迭代过程中的独立条件不能始终保持,但是state evolution还是能够和OAMP估计结果统一,论文作者将此描述为:假设1和假设2是只是state evolution的充分条件。

3 AMP

在开始OAMP之前,先回顾一下AMP。

3.1 AMP算法

假设矩阵 A = [ a 1 , a 2 , … , a N ] \pmb A=[\pmb a_{1}, \pmb a_{2}, \text{…},\pmb a_{N}] AAA=[aaa1,aaa2,,aaaN]是列归一化的,即, ∀ i ∈ { 1 , ... , N } , a i ∈ C M × 1 {\forall i} \in \{1,\text{...} ,N\}, \pmb a_{i} \in \mathbb C^{M \times 1} i{ 1,...,N},aaaiCM×1,满足 E [ ∥ a i ∥ 2 ] = 1 \mathbb E[{\Vert \pmb a_{i} \Vert}_2]=1 E[aaai2]=1。AMP的迭代过程如下

r t = s t + A T ( y − A s t ) + N M < η t − 1 ′ ( r t − 1 ) > ( r t − 1 − s t − 1 ) ⏟ o n s a g e r   t e r m (4a) \pmb r^{t}=\pmb s^{t} + \pmb A^{T}(\pmb y - \pmb A \pmb s^{t}) +\\ \underbrace {\frac {N}{M} <{\eta_{t-1}}^{'}( \pmb r^{t-1})>( \pmb r^{t-1}-\pmb s^{t-1} )}_{onsager \text{ } term} \tag{4a} rrrt=ssst+AAAT(yyyAAAssst)+onsager term MN<ηt1(rrrt1)>(rrrt1ssst1)(4a)

s t + 1 = η t ( r t ) (4b) \pmb {s^{t+1}}={\eta}_{t}(\pmb r^t) \tag{4b} st+1st+1st+1=ηt(rrrt)(4b)

其中 η t {\eta}_{t} ηt是关于 r t \pmb r^t rrrt的一个Lipschitz连续函数(component-wise), s t \pmb s^t ssst是最后的估计, r t − s t \pmb r^{t}-\pmb s^{t} rrrtssst其实就是一般AMP表达的“残差”(residual error)。式(4a)的最后一项就是前言所描述的"onsager"项,这一项是根据松弛信念传播算法(relaxed-Belief-Propagation, relaxed-BP)在极限条件下 M , N → ∞ M,N \rightarrow \infty M,N时依据大数定律、中心极限定理和消息近似补偿(为了补偿经过近似的 O ( 1 N ) O(\frac {1}{\sqrt N}) O(N 1)的消息),以及泰勒展开逐步推导出来的。

"onsager"项隐含的意义:"onsager"项的存在确保了AMP-state evolution的正确性,但是在推导AMP之前,relaxed-BP里边的方差项其实跟state-evolution是对应的(只是对应,并不相等),区别在于当 M , N < ∞ M,N \lt \infty M,N<时,relaxed-BP的方差项(指消息传递过程中,消息分布的方差逐渐积累)一般记为 Σ m n ( t ) \Sigma^n_{m}(t) Σmn(t),这里不去管具体的 n , m n,m n,m是什么含义了, t t t是指迭代到第 t t t步,只是它隐式地强调了 A \pmb A AAA和估计 s t \pmb s^{t} ssst具有相关性。而 M , N → ∞ M,N \rightarrow \infty M,N时借助大数定理和中心极限定理进一步推导可以使得 lim ⁡ M , N → ∞ Σ m n ( t ) → Σ ( t ) \lim_{M,N\to \infty}\Sigma^n_{m}(t) \rightarrow \Sigma(t) limM,NΣmn(t)Σ(t),即去掉了相关性。

3.2 AMP-state evolution与等效信号模型

为了方便之后OAMP的讨论,下面的叙述几乎都是基于OAMP原论文的,表达式跟一般的AMP表达式有些差异,是为了类比,在后面方便证明正交性,本质上并无差异。

定义两种误差,第一种误差是非线性估计结果 s t \pmb s^t ssst与真实值的差,第二种误差是线性估计结果 r t \pmb r^t rrrt与真实值的差,分别定义为

q t = s t − x (5a) \pmb q^t = \pmb s^t - \pmb x \tag{5a} qqqt=ssstxxx(5a)

h t = r t − x (5b) \pmb h^t = \pmb r^t - \pmb x \tag{5b} hhht=rrrtxxx(5b)

结合(5), (4)可以被展开为

h t = ( I − A T A ) q t + A T n + N M < η t − 1 ′ ( x + h t − 1 ) > ( h t − 1 − q t − 1 ) (6a) \pmb h^t = (\pmb I - \pmb A^T \pmb A)\pmb q^t + \pmb A^T\pmb n + \\\frac {N}{M}<\eta^{'}_{t-1}(\pmb x + \pmb h^{t-1})>(\pmb h^{t-1}-\pmb q^{t-1}) \tag{6a} hhht=(IIIAAATAAA)qqqt+AAATnnn+MN<ηt1(xxx+hhht1)>(hhht1qqqt1)(6a)

q t + 1 = η t ( x + h t ) − x (6b) \pmb q^{t+1}=\eta_{t}(\pmb x + \pmb h^t)-\pmb x \tag{6b} qqqt+1=ηt(xxx+hhht)xxx(6b)

式(6)并不是要给迭代算法,因为真实值 x \pmb x xxx作为一个已知的量参与其中。

与AMP对应的evolution由下式直接给出,这里不展开描述,因为AMP-evolution的证明过程极其复杂,但是如果只是理解,有一个简单的思路,就是如上面所述,从relaxed-BP入手,着眼于其方差演变,可以在一定程度上帮助理解。

τ t 2 = N M v t 2 + σ 2 (7a) \tau^2_{t}=\frac {N}{M} v^2_{t}+\sigma^2 \tag{7a} τt2=MNvt2+σ2(7a)

v t + 1 2 = E { [ η t ( X + τ t Z ) − X ] 2 } (7b) v^2_{t+1}=\mathbb E\{[\eta_{t}(X+\tau_{t}Z)-X]^2\} \tag{7b} vt+12=E{ [ηt(X+τtZ)X]2}(7b)

注意式(7b)中的 X , Z X,Z X,Z表示随机变量,并且 Z ∼ N ( 0 , 1 ) Z \sim \mathcal N(0,1) ZN(0,1) X X X独立。这里的理解对AMP以及AMP-state evolution是至关重要的,因为其独立性,我们可以将每次迭代估计得到的结果模型等效为

X ^ t = X + τ t 2 Z , Z ∼ N ( 0 , 1 ) (8) \hat X^t=X+\tau^2_{t}Z, Z \sim \mathcal N(0,1) \tag{8} X^t=X+τt2Z,ZN(0,1)(8)

这也意味着

X ^ t ∼ N ( X , τ t 2 ) (9) \hat X^t \sim \mathcal N(X,\tau^2_{t}) \tag{9} X^tN(X,τt2)(9)

τ t 2 \tau^2_{t} τt2指的是估计后的方差,结合式(7a)可以看出,方差项由高斯噪声的方差 σ 2 \sigma^2 σ2和非线性估计结果与真实值之间的MSE构成。这反映了两点,一方面,高斯噪声与其他各个变量都保持独立,另一方面,AMP从始至终虽然都旨在接近真实值,因为 τ t \tau^t τt一直在变小,但是依然没有克服高斯噪声。

等效模型还有一个重要的作用就是,在部分 η \eta η函数的推导过程中,使用等效模型的概念可以一定程度上简化推导过程,比如推导MMSE函数,或者退化为LMMSE等。以及, τ t 2 \tau^2_{t} τt2可能作为其中的一个参数,然而实际的仿真中我们并不知道真实 τ t 2 \tau^2_{t} τt2,这个时候就需要将其近似为 τ ^ t 2 \hat \tau^2_{t} τ^t2,具体表示为

τ ^ t 2 = 1 N ∥ r t − s t ∥ 2 2 (10) \hat \tau^2_{t}=\frac {1}{N} {\Vert \pmb r^t - \pmb s^t \Vert}^2_{2} \tag {10} τ^t2=N1rrrtssst22(10)

4 OAMP

4.1 OAMP产生的动机

在阐述动机之前,先描述论文给出的一个定义

定义1: Divergence-free
对函数 η : R ↦ R \eta: \mathbb R \mapsto \mathbb R η:RR,如果满足

E [ η ′ ( R ) ] = 0 \mathbb E [\eta^{'}(R)]=0 E[η(R)]=0

那么就认为 η \eta η是devergence-free

根据定义1,一个divergence-free的函数可以被构造成

η ( r ) = C ⋅ ( η ^ ( r ) − E [ η ^ ( R ) ] ⋅ r ) (11) \eta(r)=C \cdot (\hat \eta( r)-\mathbb E[\hat \eta(R)] \cdot r) \tag{11} η(r)=C(η^(r)E[η^(R)]r)(11)

其中 η ^ \hat \eta η^是任意一个一阶可导的函数,C是常数。

如果把AMP迭代公式(4)中的"onsager"项给去掉, η \eta η函数按照式(11)的方式给出,其中 η ^ \hat \eta η^是软阈值函数(压缩感知常用来恢复稀疏信号的函数),在这样的设置下,作者发现即使感知矩阵 A \pmb A AAA不是高斯矩阵,而是一个离散余弦变换矩阵,state evolution的结果却意外地与去"onsager"的AMP迭代结果一致。这个发现也就引出了OAMP。

4.2 去相关的线性估计

先给出两个定义

定义2: 酉不变矩阵(Unitarily-Invariant Matrix)
如果矩阵 U , V , Σ \pmb U,\pmb V,\pmb \Sigma UUU,VVV,ΣΣΣ三者之间相互独立,并且 U , V \pmb U,\pmb V UUU,VVV满足Haar分布(随机各向同性)是正交阵, Σ \pmb \Sigma ΣΣΣ是对角阵,那么认为 A = U Σ V \pmb A= \pmb U \pmb \Sigma \pmb V AAA=UUUΣΣΣVVV是酉不变的。

定义3: 去相关矩阵
如果感知矩阵 A = U Σ V \pmb A= \pmb U \pmb \Sigma \pmb V AAA=UUUΣΣΣVVV是酉不变的,矩阵 W \pmb W WWW如果满足 t r ( I − W A ) = 0 tr(\pmb I - \pmb W \pmb A)=0 tr(IIIWWWAAA)=0,就说 W \pmb W WWW是关于 A \pmb A AAA的一个去相关矩阵。指定准去相关矩阵

W ^ = U G V T (12) \hat {\pmb W}=\pmb U \pmb G \pmb V^T \tag{12} WWW^=UUUGGGVVVT(12)

那么满足 t r ( I − W A ) tr(\pmb I - \pmb W \pmb A) tr(IIIWWWAAA)的去相关矩阵 W \pmb W WWW可以被构建为

W = N t r ( W ^ A ) W ^ (13) \pmb W= \frac {N}{tr(\hat {\pmb W} \pmb A)} \hat {\pmb W} \tag{13} WWW=tr(WWW^AAA)NWWW^(13)

其实定义3在论文中并没有直接给出,是我抽出来的,而且跟论文稍有出入,但是问题不大。我刚开始读到这里的去相关概念的时候非常不理解,如果矩阵A的映射是单射或者双射,可能稍微懂个大概,满射可能把 W \pmb W WWW乘在右边,但是概念依然很模糊,后来请教了一下数院的学长,大概意思就说作者就是这么叫了而已。所以这里也就理解个大概吧,没有再细究。

下面给出三个常用的准去相关矩阵
(1)匹配滤波器(Matched Filter, MF)

W ^ M F = A T (14a) \hat {\pmb W}^{MF}=\pmb A^T \tag{14a} WWW^MF=AAAT(14a)

(2)伪逆(Pseudo-inverse, PINV)

W ^ P I N V = { A T ( A A T ) − 1 ; M < N ( A T A ) − 1 A T ; M > N (14b) \hat {\pmb W}^{PINV}= \left\{ \begin{array}{lr} \pmb A^T (\pmb A \pmb A^T)^{-1}; MN \end{array} \right \tag{14b}. WWW^PINV={ AAAT(AAAAAAT)1;M<N(AAATAAA)1AAAT;M>N(14b)

(3)LMMSE

W ^ L M M S E = A T ( A A T + σ 2 v 2 I ) − 1 (14c) \hat {\pmb W}^{LMMSE}=\pmb A^T(\pmb A \pmb A^T+\frac {\sigma^2}{v^2} \pmb I)^{-1} \tag{14c} WWW^LMMSE=AAAT(AAAAAAT+v2σ2III)1(14c)

其实式(14c)中 v 2 v^2 v2的含义有些微妙,将在后面合适的地方做更深的阐述。

LMMSE的简述
假设模型为 y = A x + n \pmb y = \pmb A \pmb x + \pmb n yyy=AAAxxx+nnn,假设随机向量 X , Y X,Y X,Y的均值都为0(实际当中不满足的话可以先减去均值), n ∼ C N ( 0 , σ 2 I ) \pmb n \sim \mathcal C \mathcal N(0,\sigma^2 \pmb I) nnnCN(0,σ2III),那么LMMSE的估计为

x ^ = Σ x y Σ y − 1 y \hat {\pmb x} = \Sigma_{xy} \Sigma^{-1}_{y} \pmb y xxx^=ΣxyΣy1yyy

其中

Σ x y = E [ x y H ] = E [ x ( A x + n ) H ] = E [ x x H A + x n H ] = Σ x A \Sigma_{xy} = \mathbb E[\pmb x \pmb y^{H}]=\mathbb E[\pmb x \pmb (\pmb A \pmb x+\pmb n)^{H}]=\mathbb E[\pmb x \pmb x^H\pmb A+\pmb x\pmb n^H]=\Sigma_{x} \pmb A Σxy=E[xxxyyyH]=E[xxx(((AAAxxx+nnn)H]=E[xxxxxxHAAA+xxxnnnH]=ΣxAAA

Σ y = E [ y y H ] = E [ ( A x + n ) ( A x + n ) H ] = A Σ x A H + σ 2 I \begin{aligned} \Sigma_{y} &= \mathbb E[\pmb y \pmb y^{H}] \\ &=\mathbb E[(\pmb A \pmb x+\pmb n) \pmb (\pmb A \pmb x+\pmb n)^{H}] \\ &=\pmb A \Sigma_{x} \pmb A^H+\sigma^2 \pmb I \end{aligned} Σy=E[yyyyyyH]=E[(AAAxxx+nnn)(((AAAxxx+nnn)H]=AAAΣxAAAH+σ2III

那么LMMSE的估计可以转化为

x ^ = Σ x A ( A Σ x A H + σ 2 I ) − 1 y \hat {\pmb x} = \Sigma_{x} \pmb A (\pmb A \Sigma_{x} \pmb A^H+\sigma^2 \pmb I)^{-1}y xxx^=ΣxAAA(AAAΣxAAAH+σ2III)1y

该结果还可以继续延申,根据

( E + B C D ) − 1 = E − 1 − E − 1 B ( C − 1 + D E − 1 B ) − 1 D E − 1 (\pmb E + \pmb B \pmb C \pmb D)^{-1}=\pmb E^{-1}- \pmb E^{-1} \pmb B (\pmb C^{-1}+ D \pmb E^{-1} \pmb B)^{-1} \pmb D \pmb E^{-1} (EEE+BBBCCCDDD)1=EEE1EEE1BBB(CCC1+DEEE1BBB)1DDDEEE1

将上述公式代入 Σ y \Sigma_{y} Σy项即可。

4.3 OAMP算法

OAMP的迭代公式

r t = s t + W t ( y − A s t ) (15a) \pmb r^{t}=\pmb s^{t} + \pmb W_{t}(\pmb y - \pmb A \pmb s^{t}) \tag{15a} rrrt=ssst+WWWt(yyyAAAssst)(15a)

s t + 1 = η t ( r t ) (15b) \pmb s^{t+1} = \eta_{t}(\pmb r^t) \tag{15b} ssst+1=ηt(rrrt)(15b)

其中 W t \pmb W_{t} WWWt是去相关矩阵, η t \eta_{t} ηt是满足divergence-free的约束,即式(11)。将该式与AMP迭代式(4)做比较,可以发现线性估计中的矩阵 A T \pmb A^T AAAT变得更一般化,不再局限于匹配滤波,而且末尾缺少了"onsager"项,把“onsager”的作用加在了divergence-free约束里,这也跟OAMP动机部分所阐述的内容一致。

4.4 估计误差迭代与OAMP-state evolution

依然保持式(5a, 5b)所述的误差符号 h t , q t \pmb h^t, \pmb q^t hhht,qqqt,可以类比AMP中的式(6)写出OAMP的误差迭代,如下

h t = B t q t + W t n (16a) \pmb h^t = \pmb B_{t} \pmb q^t + \pmb W_{t} \pmb n \tag{16a} hhht=BBBtqqqt+WWWtnnn(16a)

q t + 1 = η t ( x + h t ) − x (16b) \pmb q^{t+1}=\eta_{t}(\pmb x+\pmb h^t) - \pmb x \tag{16b} qqqt+1=ηt(xxx+hhht)xxx(16b)

其中 B t = I − W t A \pmb B_{t} = \pmb I-\pmb W_{t} \pmb A BBBt=IIIWWWtAAA,然后如AMP一样,指定

τ t 2 = 1 N E [ ∥ h t ∥ 2 2 ] (17a) \tau^2_{t}=\frac {1}{N} \mathbb E[{\Vert \pmb h^t \Vert}^2_{2}] \tag{17a} τt2=N1E[hhht22](17a)

v t + 1 2 = 1 N E [ ∥ q t + 1 ∥ 2 2 ] (17b) v^2_{t+1}=\frac {1}{N} \mathbb E[{\Vert \pmb q^{t+1} \Vert}^2_{2}] \tag{17b} vt+12=N1E[qqqt+122](17b)

式(17)就是所谓的state evolution,可以对式(17a)做进一步推导
τ t 2 = 1 N E [ ∥ h t ∥ 2 2 ] = 1 N E [ ∥ B t q t + W t n ∥ 2 2 ] = 1 N { E [ ∥ B t q t ∥ 2 2 ] + E [ ∥ W t n ∥ 2 2 ] } = 1 N { E [ t r ( ( q t ) T B t T B t q t ) ) ] + E [ t r ( n T W t T W t n ) ] } = 1 N { E [ t r ( B t T B t ) ] ⋅ E [ ∥ q t ∥ 2 2 ] + E [ t r ( W t T W t ) ] ⋅ E [ ∥ n ∥ 2 2 ] } = 1 N { E [ t r ( B t T B t ) ] ⋅ N v t 2 + E [ t r ( W t T W t ) ] ⋅ M σ 2 } = E [ t r ( B t T B t ) ] ⋅ v t 2 + M N E [ t r ( W t T W t ) ] ⋅ σ 2 \begin{aligned} \tau^2_{t}&= \frac {1}{N} \mathbb E[{\Vert \pmb h^t \Vert}^2_{2}] \\ &=\frac {1}{N} \mathbb E[{\Vert \pmb B_{t} \pmb q^t + \pmb W_{t} \pmb n \Vert}^2_{2}] \\ &=\frac {1}{N} \{ \mathbb E [{\Vert \pmb B_t \pmb q^t \Vert}^2_{2}] + \mathbb E [{\Vert \pmb W_t \pmb n \Vert}^2_{2}] \} \\ &=\frac {1}{N} \{ \mathbb E [tr ( (\pmb q^t)^T \pmb B^T_t \pmb B_t \pmb q^t) )] + \mathbb E [tr(\pmb n^T \pmb W^T_t \pmb W_t \pmb n)] \} \\ &=\frac {1}{N} \{ \mathbb E [tr(\pmb B^T_t \pmb B_t )] \cdot E[{\Vert \pmb q^{t} \Vert}^2_{2}] + \mathbb E [tr(\pmb W^T_t \pmb W_t )] \cdot E[{\Vert \pmb n \Vert}^2_{2}] \} \\ &=\frac {1}{N} \{ \mathbb E [tr(\pmb B^T_t \pmb B_t )] \cdot N v^2_t + \mathbb E [tr(\pmb W^T_t \pmb W_t )] \cdot M \sigma^2 \} \\ &=\mathbb E [tr(\pmb B^T_t \pmb B_t )] \cdot v^2_t + \frac {M}{N} \mathbb E [tr(\pmb W^T_t \pmb W_t )] \cdot \sigma^2 \end{aligned} τt2=N1E[hhht22]=N1E[BBBtqqqt+WWWtnnn22]=N1{ E[BBBtqqqt22]+E[WWWtnnn22]}=N1{ E[tr((qqqt)TBBBtTBBBtqqqt))]+E[tr(nnnTWWWtTWWWtnnn)]}=N1{ E[tr(BBBtTBBBt)]E[qqqt22]+E[tr(WWWtTWWWt)]E[nnn22]}=N1{ E[tr(BBBtTBBBt)]Nvt2+E[tr(WWWtTWWWt)]Mσ2}=E[tr(BBBtTBBBt)]vt2+NME[tr(WWWtTWWWt)]σ2

注意:上面推导出来的结果与OAMP论文式(23)给出的在系数上有差异,感觉应该上面是正确的,不管如何,思路应该没什么问题。那么,据此,就可以轻易地写出OAMP-state evolution

τ t 2 = E [ t r ( B t T B t ) ] ⋅ v t 2 + M N E [ t r ( W t T W t ) ] ⋅ σ 2 (18a) \tau^2_{t}=\mathbb E [tr(\pmb B^T_t \pmb B_t )] \cdot v^2_t + \frac {M}{N} \mathbb E [tr(\pmb W^T_t \pmb W_t )] \cdot \sigma^2 \tag{18a} τt2=E[tr(BBBtTBBBt)]vt2+NME[tr(WWWtTWWWt)]σ2(18a)

v t + 1 2 = E [ ∣ η t ( X + τ t Z ) − X ∣ 2 ] (18b) v^2_{t+1}=\mathbb E[{\vert \eta_t(X+\tau_t Z) - X \vert}^2] \tag{18b} vt+12=E[ηt(X+τtZ)X2](18b)

其中 X ∼ P X ( x ) X \sim P_X(x) XPX(x),与 Z ∼ N ( 0 , 1 ) Z \sim \mathcal N(0,1) ZN(0,1)独立。

4.5 关于OAMP的合理性以及两个重要假设

关于OAMP的合理性,前言部分已经做了简短的铺垫,这里再详细展开。论文作者提出了两个假设,虽然OAMP的证明并不严格,但是基于两个假设展开的讨论还是比较合理的。

假设1:式(16a)中的 h t ∼ N ( 0 , τ t 2 ) \pmb h^t \sim \mathcal N(0,\tau^2_t) hhhtN(0,τt2),并且独立于真实值 x \pmb x xxx
假设2:式(16b)中的 q t + 1 \pmb q^{t+1} qqqt+1里的元素是独立同分布的(i.i.d),并且独立于 A , n \pmb A, \pmb n AAA,nnn

一般的条件会有 x \pmb x xxx是i.i.d.的,独立于 A , n \pmb A, \pmb n AAA,nnn,在OAMP中,当迭代次数 t = − 1 t=-1 t=1时, q 0 = − x \pmb q^0=- \pmb x qqq0=xxx,因此假设2在 t = − 1 t=-1 t=1时是成立的。虽然OAMP的线性迭代式(15a)比AMP的线性迭代式(4a)少了"onsager"这一项,但是只有我们能证明假设2在迭代过程中一直成立,那么式(15a)便是合理的,因为"onsager"的作用就是去除迭代估计结果与 A \pmb A AAA的相关性。接下来会提出两个推论来更直观地理解OAMP。

4.5.1 从假设2看假设1

推论1:如果假设2是成立的,矩阵 A \pmb A AAA是酉不变的, W t \pmb W_t WWWt是去相关矩阵,那么就有 h t \pmb h^t hhht的元素与 x \pmb x xxx的元素不相关,以及, h t \pmb h^t hhht的元素彼此之间不相关,而且它们拥有共同的方差,均值为0。

证明:从式(16b) q t + 1 = η t ( x + h t ) − x \pmb q^{t+1}=\eta_{t}(\pmb x+\pmb h^t) - \pmb x qqqt+1=ηt(xxx+hhht)xxx可以看出, q t \pmb q^t qqqt x \pmb x xxx具有相关性,这可能会进一步导致 h t \pmb h^t hhht x \pmb x xxx的相关,因为式(16a)中 h t \pmb h^t hhht q t \pmb q^t qqqt生成。但去相关矩阵 W t \pmb W_t WWWt的引入可以抑制此相关性,具体描述如下。
因为 A = V Σ U T \pmb A=\pmb V \Sigma \pmb U^T AAA=VVVΣUUUT W t = U G t V T \pmb W_t=\pmb U \pmb G_t \pmb V^T WWWt=UUUGGGtVVVT B = I − W t A = U ( I − G t Σ ) U T \pmb B = \pmb I- \pmb W_t \pmb A = \pmb U(\pmb I-\pmb G_t \Sigma) \pmb U^T BBB=IIIWWWtAAA=UUU(IIIGGGtΣ)UUUT,那么

E U [ ( B t ) i , j ] = ∑ m = 1 N E [ U i , m U j , m ] ⋅ ( 1 − g m λ m ) \mathbb E_U[(\pmb B_t)_{i,j}] = \sum_{m=1}^N \mathbb E[U_{i,m} U_{j,m}] \cdot (1-g_m \lambda_m) EU[(BBBt)i,j]=m=1NE[Ui,mUj,m](1gmλm)

其中 λ m , g m \lambda_m, g_m λm,gm分别是矩阵 A , W t \pmb A, \pmb W_t AAA,WWWt的奇异值,并且当 m > M m>M m>M时, λ m = g m = 0 \lambda_m=g_m=0 λm=gm=0
对于一个Haar分布的矩阵 U \pmb U UUU,有

E [ U i , m U j , m ] = { 0 ;        i ≠ j N − 1 ;   i = j \mathbb E[U_{i,m} U_{j,m}]= \left\{ \begin{array}{lr} 0; \ \ \ \ \ \ i \neq j \\ N^{-1}; \ i=j \end{array} \right. E[Ui,mUj,m]={ 0;      i=jN1; i=j

那么就有

E U [ ( B t ) i , j ] = { 0 ;                i ≠ j 1 N t r ( B t ) ;   i = j \mathbb E_U[(\pmb B_t)_{i,j}]= \left\{ \begin{array}{lr} 0; \ \ \ \ \ \ \ \ \ \ \ \ \ \ i \neq j \\ \frac {1}{N} tr ( \pmb B_t ); \ i=j \end{array} \right. EU[(BBBt)i,j]={ 0;              i=jN1tr(BBBt); i=j

因为 W t \pmb W_t WWWt是去相关矩阵,根据定义3,有 t r ( B t ) = t r ( I − W t A ) = 0 tr(\pmb B_t)=tr(\pmb I - \pmb W_t \pmb A)=0 tr(BBBt)=tr(IIIWWWtAAA)=0,所以

E [ B t ] = 0 \mathbb E[\pmb B_t] = 0 E[BBBt]=0

假设2给出了条件, q t \pmb q^t qqqt独立于 A \pmb A AAA,显然也独立于 B t \pmb B_t BBBt,那么

E [ h t ] = E [ B t q t ] + E [ W t n ] = E [ B t ] E [ q t ] + E [ W t ] E [ n ] = 0 N (19) \begin{aligned} \mathbb E[\pmb h^t] &= \mathbb E[\pmb B_t \pmb q^t] + \mathbb E[\pmb W_t \pmb n] \\ &=\mathbb E[\pmb B_t] \mathbb E[\pmb q^t] + \mathbb E[\pmb W_t] \mathbb E[\pmb n] \\ &=\pmb 0_N \end{aligned} \tag{19} E[hhht]=E[BBBtqqqt]+E[WWWtnnn]=E[BBBt]E[qqqt]+E[WWWt]E[nnn]=000N(19)

h t = B t q t + W t n \pmb h^t = \pmb B_{t} \pmb q^t + \pmb W_{t} \pmb n hhht=BBBtqqqt+WWWtnnn,要证 x \pmb x xxx h t \pmb h^t hhht不相关,只需要证 x \pmb x xxx B t q t \pmb B_{t} \pmb q^t BBBtqqqt不相关(已经有 E [ B t q t ] = 0 N \mathbb E[\pmb B_t \pmb q^t]=\pmb 0_N E[BBBtqqqt]=000N,所以满足正交性即可)

E [ h t x T ] = E [ B t q t x T ] = E [ B t ] E [ q t x T ] = 0 N × N (20) \mathbb E[\pmb h^t \pmb x^T]= \mathbb E[\pmb B_t \pmb q^t \pmb x^T]=\mathbb E[\pmb B_t] \mathbb E[ \pmb q^t \pmb x^T]=\pmb 0_{N \times N} \tag{20} E[hhhtxxxT]=E[BBBtqqqtxxxT]=E[BBBt]E[qqqtxxxT]=000N×N(20)

所以,根据 E [ h t ] = 0 N \mathbb E[\pmb h^t]=\pmb 0_N E[hhht]=000N E [ h t x T ] = 0 N × N \mathbb E[\pmb h^t \pmb x^T]=\pmb 0_{N \times N} E[hhhtxxxT]=000N×N(正交性),必然有 x \pmb x xxx h t \pmb h^t hhht不相关。要证 h t \pmb h^t hhht的元素彼此之间不相关,而且它们拥有共同的方差,均值为0,只需证明 h t \pmb h^t hhht为对角阵的系数,这里省略。

事实上,因为 E [ B t ] = E [ n ] \mathbb E[\pmb B_t]=\mathbb E[\pmb n] E[BBBt]=E[nnn]都为0,式(19)隐含了 h t , q t \pmb h^t ,\pmb q^t hhht,qqqt的正交性

E [ h t ( q t ) T ] = 0 N × N (21) \mathbb E[\pmb h^t (\pmb q^t)^T]=\pmb 0_{N \times N} \tag{21} E[hhht(qqqt)T]=000N×N(21)

从推论1的证明过程中可以看出,去相关矩阵 W t \pmb W_t WWWt在里边起到了重要的去相关作用(间接地借助了 B = I − W t A \pmb B = \pmb I- \pmb W_t \pmb A BBB=IIIWWWtAAA)。除此之外,还可以看出OAMP对矩阵 A \pmb A AAA的特征值没有任何束缚,所以潜在的应用范围会更广一些相对于AMP。

4.5.2 从假设1看假设2

在这一部分,我们尝试基于假设1,来推出假设2,从式(16)可以看出,如果 q t + 1 \pmb q^{t+1} qqqt+1 h t \pmb h^t hhht独立,那么 q t + 1 \pmb q^{t+1} qqqt+1 A , n \pmb A, \pmb n AAA,nnn也独立,因为(16b)中 q t + 1 \pmb q^{t+1} qqqt+1只跟 h t \pmb h^t hhht x \pmb x xxx有关系,那么就存在这样一条马尔可夫链(注意上标 t t t)

A , n → h t → q t + 1 \pmb A, \pmb n \rightarrow \pmb h^t \rightarrow \pmb q^{t+1} AAA,nnnhhhtqqqt+1

也就是说,如果我们能够证明 q t + 1 \pmb q^{t+1} qqqt+1 h t \pmb h^t hhht独立,那么假设2就自然而然成立。但遗憾的是我们并不能证明独立性,只能证明正交性,再推广到不相关(推论2将阐述)。

回到定义1里边所阐述的divergence-free函数,利用Lipchitz函数期望的收敛性,我们可以构建一个近似divergence-free函数,如下

η t ( r t ) = C ⋅ { η ^ t ( r t ) − ( 1 N ∑ j = 1 N η ^ t ′ ( r j t ) ) ⋅ r t } (22) \eta_t(\pmb r^t)=C \cdot \{ \hat \eta_t(\pmb r^t)-\mathbb (\frac{1}{N} \sum_{j=1}^N \hat \eta^{'}_t( r^t_j)) \cdot \pmb r^t \} \tag{22} ηt(rrrt)=C{ η^

你可能感兴趣的