Ensemble de procédures algorithmiques pour estimer un signal parcimonieux ou compressible x à partir de mesures linéaires sous‑déterminées et/ou bruitées y=Φx+n en imposant ou favorisant la parcimonie — méthodes telles que optimisation convexe avec régularisation ℓ1, algorithmes gloutons (OMP, CoSaMP), seuillage itératif ou priors bayésiens parcimonieux. La récupération parcimonieuse porte sur le solveur et les compromis algorithmiques (précision, complexité, robustesse) pour un modèle de mesure et un dictionnaire/base de parcimonie donnés.

Principe

L'imposition d'un prior de parcimonie oriente le problème inverse vers des solutions à peu de coefficients non nuls ; sous conditions sur Φ et le dictionnaire (par ex. faible cohérence mutuelle, RIP), les relaxations convexes et algorithmes gloutons peuvent récupérer le support exact ou l'approximer avec erreur bornée en présence de bruit.

Démonstration

Scénario illustratif → mesures y issues de y=Φx avec Φ connu et x s‑sparse. Reconnaissance → calcul du résidu initial. Action → appliquer OMP : sélectionner itérativement l'atome le plus corrélé au résidu, mettre à jour résidu et coefficients jusqu'au critère d'arrêt. Conséquence → si cohérence et SNR le permettent, OMP récupère support et coefficients en O(s·m·N) ; sinon il peut manquer des composantes ou sélectionner des atomes fallacieux. (Exemple algorithmique construit.)

Mauvaise application

Interpréter des estimations favorisant la parcimonie comme preuve de parcimonie vraie sans tenir compte du décalage de modèle ou du bruit : les régularisateurs peuvent produire des solutions parcimonieuses même si le signal sous‑jacent n'est pas parcimonieux, entraînant des découvertes fausses. Autre erreur : négliger la cohérence du dictionnaire — les garanties de récupération en dépendent fortement.

Conséquence

Permet la reconstruction à partir de moins de mesures que les méthodes non contraintes, avec des résultats pratiques dépendant du choix d'algorithme : certains privilégient la vitesse (gloutons), d'autres la stabilité (solveurs convexes), et tous présentent des modes d'échec — mauvais support, biais d'amplitude et sensibilité au bruit et à la cohérence.

Inversion

Si le dictionnaire est fortement cohérent ou si le signal n'est pas parcimonieux/compressible dans la base supposée, les algorithmes de récupération parcimonieuse peuvent échouer de façon systématique — nécessitant d'autres priors, une meilleure conception des mesures ou des modèles acceptant des représentations plus denses. En présence de bruit extrême, la promotion de la parcimonie peut amplifier le biais d'estimation.

Limite

Clairement dans → modèle de mesure linéaire y=Φx avec Φ connu, x exactement s‑sparse dans le dictionnaire choisi et Φ satisfaisant cohérence/RIP. Cas limite → x compressible ou dictionnaire partiellement inconnu (apprentissage de dictionnaire requis). Clairement hors → modèles de mesure non linéaires ou signaux denses sans représentation parcimonieuse où les moindres carrés ou autres inférences denses conviennent.

Tension sémantique

Parcimonie (explications éparses) vs fidélité aux données — des priors de parcimonie plus forts réduisent la variance et améliorent l'interprétabilité mais risquent biais et faux négatifs en cas d'inadéquation du modèle.

Synthèse

La récupération parcimonieuse concrétise la parcimonie comme régularisation inférentielle : le choix d'algorithme et la conception conjointe des mesures/dictionnaire déterminent si la parcimonie est un prior structurel valable ou un artefact trompeur de la régularisation.