斜風細雨作小寒，淡煙疏柳媚晴灘。入淮清洛漸漫漫。
雪沫乳花浮午盞，蓼茸蒿筍試春盤。人間有味是清歡。
---- 蘇軾
更多精彩內容請關注微信公眾號 “優化與算法”
低秩矩陣恢復是稀疏向量恢復的拓展，二者具有很多可以類比的性質。首先，稀疏是相對於向量而言，稀疏性體現在待恢復向量中非零元素的數量遠小於向量長度；而低秩是相對於矩陣而言，低秩體現在矩陣的秩遠小於矩陣的實際尺寸。其次，稀疏向量恢復問題可以轉化為基於 \(\ell _1\) 范數的凸優化問題，因為 \(\ell _1\) 范數是 \(\ell _0\) 的最佳凸包絡；而矩陣的核范數在一定條件下也是矩陣秩的最佳凸近似，因此，也可以利用這一性質將低秩矩陣恢復問題松弛為一個凸問題來求解。本文重點介紹低秩矩陣恢復的一些常用算法，並給出了奇異值閾值（STV）算法用於低秩矩陣恢復的仿真分析。
1. 低秩矩陣恢復問題背景
隨着5G技術和物聯網（IoT）技術的發展，作為5G三大應用場景之一的大規模機器類通信（eMTC）將使“萬物互聯”成為現實。大規模機器類通信的部署勢必導致海量數據的產生，而實時、精確地處理這些大規模數據對傳統的信息處理技術帶來了挑戰。由於數據維度的上升，在信號處理、圖像處理、計算機視覺、機器學習和數據挖掘等領域，所需處理的數據量呈幾何級數增長，面對海量的數據，很多傳統的信號處理技術已不堪重負，無法適應於未來爆炸式增長的數據環境，因此急需開發更加先進的信號處理技術。
隨着數據維度的增加，高維數據之間往往存在較多的相關性和冗余度，而且數據本身信息量的增長比數據維度的增長通常要慢得多。例如，視頻信號的可壓縮空間比單幅圖像的可壓縮空間大得多。一幅自然圖片經過小波變換之后，只有少量的系數在數值大小上是相對顯著的。如果將一幅圖片當成一個像素矩陣，對其進行奇異值分解后，其前10%奇異值包含的信息量往往占了整幅圖像的90%。這些實例都說明在高維數據中，往往存在不同程度的相關性，利用這些相關性可以大幅減小數據的存儲空間和處理復雜度。
此外，現實生活中的大規模數據常常會有部分數據缺失、數據誤差、損壞等問題，這將進一步加大數據處理和分析難度。這種現在在實際生活中很常見，例如在人臉識別中,訓練集中的或是待識別的人臉圖像往往含有陰影、高光、遮擋、變形等;在運動恢復結構(Structure from motion,SFM)問題中,進行特征提取和特征匹配時往往存在大的匹配誤差. 這些因素的存在使得很多傳統的分析和處理方式失效, 需要新的理論和實用的算法為相關的應用提供理論支撐和有力的求解工具.正確並高效地從不完整的、帶有損毀的數據中 恢復和利用它們, 對現代大規模數據的分析與處理至關重要。
假定原始數據矩陣是低秩的，但是矩陣中含有很多未知的元素。從一個不完整的矩陣中恢復出一個完整的低秩陣，便是低秩矩陣填充問題。例如，著名的Netflix問題便是一個典型的低秩矩陣填充問題。Netflix是美國的一家影片租賃公司，其推薦系（recommendation system）要從用戶僅有的對少數的電影打分中為用戶推薦影片，如果這種推薦越符合用戶的喜好，也就越能提高該公司租賃電影的業務，為此，該公司設立了百萬美元的獎金用於懸賞能夠最好地提高該公司推薦系統質量的解決方法。這個問題可以用矩陣填充來進行建假設矩陣的每一行分別代表同一用戶對不同電影的打分, 每一列代表不同用戶對同一電影的打分，用戶數量巨大, 電影數目巨大，因此這個矩陣的維度十分大。由於用戶所打分的電影有限，這個矩陣中只有很小一部分的元素值已知，而且可能含有噪聲或誤差，那么Netflix問題就是如何從這個不完整的矩陣中推測其中未知元素的值。矩陣填充的越准確，為用戶推薦的電影也就越符合用戶的喜好。
2. 低秩矩陣補全
矩陣補全是推薦系統、計算機視覺、圖像處理等領域經常遇到的問題，具有很高的研究價值。矩陣補全問題旨在通過真實未知矩陣 \(\bf M\) 的部分觀測 \({\bf{M}}_{i,j},~~(i,j)\in\Omega\) 來估計 \(\bf M\) 中未觀測到的其他元素。如果不加其他約束，這樣的問題是完全不可解的。但是，如果數據矩陣具有一些特殊的性質，這些特殊的性質將使得矩陣補全問題成為可能。低秩性就是這樣的性質。如果事先知道矩陣 \(\bf M\) 是低秩的，那么矩陣補全問題可以形式為為如下優化問題：
其中 \(\Omega\) 為觀測樣本下標的集合，\(\bf X\) 為優化變量，\(\bf M\) 為真實的未知矩陣。定義投影算子 \(P_{\Omega}\):
從而(1)式可以簡潔地表述為：
顯然，上述問題是一個NP-hard問題，且其復雜度隨矩陣維度的增城呈平方倍指數關系增長。為了求解問題(1)，有學者對其進行凸松弛，轉化為一個凸優化問題：
文獻[2]中指出：問題（4）的解在滿足強非相干性條件下，很大概率等價於問題(1)的解。在某種意義上，這是NP-難秩最小化問題的緊凸松弛。因為核范數球是譜范數為1的rank one矩陣集合的凸包。具體定理及證明參見文獻[1]。
對於(4)中的優化問題，當采樣點數滿足 \(m \ge Cn^{6/5}r\log n\) 時，\(\bf{M}\) 能以很大概率求得精確解，其中 \(r\) 為矩陣 \(\bf{M}\) 的秩，\(C\) 為一個正常數。
求解(4)式可以使用一些凸松弛方法，比如半定規划法，然而半定規划法通常使用內點法來求解，其求解上述問題的算法復雜度為 \(O(p{(m + n)^3} + {p^2}{(m + n)^2} + {p^3})\)。可以通過matlab軟件包CVX等來求解。
3. 奇異值閾值算法（SVT）
2009年，Cai Jian-feng 和 Candes（e上面有個四聲符號）等人提出了求解核范數最小化問題的奇異值閾值算法（Singular Value Thresholding, SVT）。該算法可以類比為求解向量 \(\ell _0\) 范數最小化的軟閾值迭代算法。 SVT算法先將最優化問題(4)正則化，即有：
其中，\(\tau > 0\)。當 $\tau \to + \infty $ 時，上述最優化問題的最優解收斂到(4)式的最優解。構造最優化問題(5)的拉格朗日函數：
其中，拉格朗日乘子 \({\bf{Y}}{ \in {\mathbb{R}}^{m \times n}}\)。如果 \(({{\bf{X}}^*},{{\bf{Y}}^*})\) 為優化問題(4)的原-對偶問題的最優解，則有：
SVT算法使用交替迭代方法求解優化問題(4)，其迭代格式可以簡單表述如下：
其中 \({D_\tau }({\bf{W}})\) 為奇異值閾值軟閾值操作類似，不過這里的對象是矩陣。可以具體描述為：
其中(8)式中的第一步是這樣來的，初始化 \({{\bf{Y}}^0} = 0\)，當 \({{\bf{Y}}^{k-1}}\) 固定時：
(8)式中的第(2)式，當 \({{\bf{X}}^k}\) 給定時，用梯度下降來更新 \(\bf{Y}\)。
4. 仿真
SVT算法的matlab代碼如下：
function [ X,iterations ] = SVT(M,P,T,delta,itermax,tol)
%Single value thresholding algorithm，SVT
% function：solve the following optimization problem
% min ||X||*
% s.t. P(X-M) = 0
% X: recovered matrix
% M: observed matrix
% T: single value threshold
% delta: step size
% output：X,iterations
% initialization
Y = zeros(size(M));
iterations = 0;
if nargin < 3
T = sqrt(n1*n2);
end
if nargin < 4
delta = 1;
end
if nargin < 5
itermax = 200 ;
end
if nargin < 6
tol = 1e-7;
end
for ii = 1:itermax
% singular value threshold operation
[U, S, V] = svd(Y, 'econ') ;
S = sign(S) .* max(abs(S) - T, 0) ;
X = U*S*V' ;
% update auxiliary matrix Y
Y = Y + delta* P.* (M-X);
Y = P.*Y ;
% computer error
error= norm( P.* (M-X),'fro' )/norm( P.* M,'fro' );
if error<tol
break;
end
% update iterations
iterations = ii ;
end
end
數值驗證代碼為如下：
% Numerical verification for SVT algorithm
clear
clc
r = 2 ; % rank(M) = 2 ;
n1 = 200 ; % row length of M
n2 = 300 ; % column length of M
sample_rate = 0.5 ;
% real
% M = rand(n1,r)*rand(r,n2) ;
% complex
M = (rand(n1,r)+1i*rand(n1,r))*(rand(r,n2)+1i*rand(r,n2))/2 ;
% construct index matrix
P = zeros(n1*n2,1) ;
MM = reshape(M,n1*n2,1) ;
pos = sort(randperm(n1*n2,n1*n2*sample_rate))' ;
P(pos) = MM(pos) ;
index1 = find(P) ;
P(index1) = 1 ;
P = reshape(P,n1,n2) ;
% set threshold & step size
T = sqrt(n1*n2);
delta = 2 ;
[ X,iterations ] = SVT(M,P,T,delta) ;
% norm(P.*(X-M),'fro')
norm(P.*(X-M),'fro')/norm(P.*M,'fro')
% norm(X-M,'fro')
% norm(X-M,'fro')/norm(M,'fro')
上述測試迭代200次停止時，norm( P.* (M-X),'fro' )/norm( P.* M,'fro' )誤差大約為1e-7。
% low rank image completion by SVT algorithm
clear
clc
A = imread('C:\Users\pc\Desktop\CS_Rectest\MC\ce_svt\channel.bmp') ;
WW = double(A) ;
a1 = double(A(:,:,1)) ;
a2 = double(A(:,:,2)) ;
a3 = double(A(:,:,3)) ;
[M,N] = size(a1);
X = zeros(M,N,3);
% sampling
pos = sort(randperm(M*N,M*N*0.5))' ;
for jj = 1:3
P = zeros(M*N,1) ;
MM = reshape(double(WW(:,:,jj)),M*N,1) ;
P(pos) = MM(pos) ;
index1 = find(P) ;
P(index1) = 1 ;
% P(index1) = rand(size(index1,1),1) ;
P = reshape(P,M,N) ;
T = 50000 ;
delta_t = 1 ;
[ X(:,:,jj),iterations ] = SVT(WW(:,:,jj),P,T,delta_t) ;
% [ X(:,:,jj)] = pcp_ad(WW(:,:,jj)) ;
end
DD = P.*WW(:,:,1) ;
DD1 = P.*WW(:,:,2) ;
DD2 = P.*WW(:,:,3) ;
ff(:,:,1) = DD;
ff(:,:,2) = DD1;
ff(:,:,3) = DD2;
figure(1)
subplot(1,3,1)
imshow(A)
title("原圖")
subplot(1,3,2)
imshow(uint8(ff))
title("采樣后的圖")
subplot(1,3,3)
imshow(uint8(X))
title("恢復的圖")
仿真效果如下：
可以看出，在采樣率為0.5時，圖像恢復效果很不錯。
由於時間關系，下次再介紹低秩與稀疏矩陣恢復算法，敬請期待！
5. 參考文獻
[1] Cai, J. F., Candès, E. J., & Shen, Z. (2010). A singular value thresholding algorithm for matrix completion. SIAM Journal on optimization, 20(4), 1956-1982.
[2] Davenport, M. A., & Romberg, J. (2016). An overview of low-rank matrix recovery from incomplete observations. IEEE Journal of Selected Topics in Signal Processing, 10(4), 608-622.
更多精彩內容請關注微信公眾號 “優化與算法”
