G. Peyré : Sélection des paramètres pour la régularisation
de problème inverses : de la théorie
à la pratique.
Dans cet exposé, je passerai en revue les aspects
théoriques et numériques de la sélection de
paramètres pour la régularisation de problèmes
inverses. Je détaillerai en particulier un ensemble de
méthodes fondées sur le Generalized Stein Unbiased Risk
Estimator (GSURE) [1]. Le GSURE permet d'estimer sans biais le risque
commis par une méthode d'inversion dans l'orthogonal du noyau de
l'opérateur. On peut régler automatiquement certains
paramètres de la méthode en minimisant le GSURE. Le
calcul du GSURE nécessite l'estimation du nombre de
degrés de liberté généralisés de la
méthode. Nous avons démontré dans [2] une formule
donnant un estimateur sans biais de ce nombre de degrés de
liberté pour les régularisations parcimonieuses L1 de
type analyse, ce qui inclus les régularisations en ondelettes et
la variation totale. Cet outil théorique, bien qu'important pour
comprendre le comportement des méthodes, reste difficile
à calculer numériquement sur des problèmes de
grande taille. En effet, les algorithmes d'optimisation
numériques ne fournissent qu'une solution approchée, qui
ne permet pas une estimation stable du nombre de degrés de
liberté. Nous avons éliminé ces problèmes
en proposant dans [3] un algorithme qui calcule un estimateur sans
biais et stable du risque associé à chaque
itération d une large classe de méthodes d'optimisation
convexe. Les algorithmes présentés dans cet exposé
peuvent etre implémentés et testés en suivant
certains des "Numerical Tours" disponibles à l'adresse
www.numerical-tours.com. Il s'agit d'un travail en commun avec S.
Vaiter, C. Deledalle, J. Fadili et C. Dossal.
Bibliographie :
[1] Y. C. Eldar, Generalized SURE for exponential families:
Applications to regularization, IEEE Transactions on Signal Processing
57 (2009) 471 481.
[2] S. Vaiter, C. Deledalle, G. Peyré, J. Fadili, C. Dossal,
Local Behavior of Sparse Analysis Regularization: Applications to Risk
Estimation, Technical report, Preprint Hal-00687751, 2012.
[3] C. Deledalle, S. Vaiter, G. Peyré, J. Fadili, C. Dossal,
Proximal Splitting Derivatives for Risk Estimation, Proc. NCMIP'12,
2012.
|