[論文レビュー] Approximate Maximum Likelihood Source Localization from Range Measurements Through Convex Relaxation

Pınar Oğuz-Ekim, João Gomes+3 more|arXiv (Cornell University)|Nov 29, 2011

Indoor and Outdoor Localization Technologies参考文献 17被引用数 3

ひとこと要約

本稿では、無線センサーネットワークにおけるノイズの多い距離測定値から近似最大尤度源局所化を実行するための、2つの凸緩和ベースの手法—核ノルムを用いた源局所化（SLNN）およびℓ₁ノルムを用いた源局所化（SL-ℓ₁）—を提案する。半正定値計画法（SDP）として問題を定式化することにより、SLNNは、特にガウスノイズ下で、最新の手法と比較してより緊密な緩和と優れた局所化精度を達成する。一方、SL-ℓ₁は重み付き尤度推定の再定式化とSDP緩和を用いて、ラプラス分布に従うノイズおよび外れ値に対しても効果的に対処する。

ABSTRACT

This work considers the problem of locating a single source from noisy range measurements to a set of nodes in a wireless sensor network. We propose two new techniques that we designate as Source Localization with Nuclear Norm (SLNN) and Source Localization with l1-norm (SL-l1), which extend to arbitrary real dimensions, including 3D, our prior work on 2D source localization formulated in the complex plane. Broadly, our approach is based on formulating a Maximum-Likelihood (ML) estimation problem for the source position, and then using convex relaxation techniques to obtain a semidefinite program (SDP) that can be globally and efficiently solved. SLNN directly approximates the Gaussian ML solution, and the relaxation is shown to be tighter than in other methods in the same class. We present an analysis of the convexity properties of the constraint set for the 2D complex version of SLNN (SLCP) to justify the observed tightness of the relaxation. In terms of global accuracy of localization, SLNN outperforms state-of-the-art optimization-based methods with either iterative or closed-form formulations. We propose the SL-l1 algorithm to address the Laplacian noise case, which models the presence of outliers in range measurements. We overcome the nondifferentiability of the Laplacian likelihood function by rewriting the ML problem as an exact weighted version of the Gaussian case, and compare two solution strategies. One of them is iterative, based on block coordinate descent, and uses SLNN as a subprocessing block. The other, attaining only slightly worse performance, is noniterative and based on an SDP relaxation of the weighted ML problem.

研究の動機と目的

• ノイズが多く信頼性の低い距離測定値を伴う無線センサーネットワークにおける正確な源局所化の課題に対処すること。
• 非凸的最大尤度（ML）推定問題のグローバル最適解を提供する凸緩和フレームワークを構築すること。
• 2次元複素平面手法を任意の実数次元（3次元を含む）に拡張し、緩和の緊密さと高い局所化精度を維持すること。
• 特にラプラス分布に従う外れ値を含む非ガウスノイズに対処するため、ガウスMLの代替としてℓ₁ノルムに基づく手法を提案すること。
• より緊密な緩和とランク1解の高い発生確率を保証することで、既存のSDP緩和手法を改善すること。

提案手法

• 任意の実数次元における源局所化の最大尤度（ML）推定問題を、非凸かつ滑らかでない最適化問題として定式化する。
• 半正定値緩和（SDR）を適用して、非凸なML問題を凸な半正定値計画法（SDP）に変換し、グローバルかつ効率的な解法を可能にする。
• SLNNを導入し、ガウスML解の近似に核ノルム最小化を用いる。KKT解析と特異値制約を用いた理論的裏付けにより、より緊密な緩和が実現されることを示す。
• ラプラスノイズをモデル化するため、SL-ℓ₁を提案。ML問題を重み付きガウスケースに再定式化することで、外れ値に対して耐性を持つ。
• SL-ℓ₁には2つの解法戦略を採用：1つはSLNNを部分問題として用いる反復的ブロック座標降下法、もう1つはわずかに性能が劣るが反復を要しないSDP緩和法。
• 2次元複素平面形式（SLCP）における制約集合の凸性を分析し、先行手法と比較して緩和がより緊密であることを証明。これにより、ランク1解の発生確率が高くなる。

実験結果

リサーチクエスチョン

• RQ1 源局所化の最大尤度問題の凸緩和は、既存の反復的または閉形式最適化手法よりも高い精度を達成できるか？
• RQ2 SLNNにおける核ノルム緩和は、既存の半正定値緩和技術と比較して、解の緊密さおよびランク1回復の観点でどのように向上しているか？
• RQ3 ラプラスノイズおよび距離測定値の外れ値に対処できるように、ML推定問題を効果的に再定式化できるか？
• RQ4 外れ値が存在する状況下で、反復的および非反復的SDPベースの戦略の間には、性能のトレードオフが生じるか？
• RQ5 2次元複素平面手法を任意の実数次元に拡張することで、元の定式化の精度と緩和の緊密さが維持されるか？

主な発見

• ガウスノイズ下で、SLNNは、より緊密な緩和とランク1解の高い発生確率のおかげで、最新の最適化ベース手法を上回るグローバルな局所化精度を達成する。
• SLCP（2次元複素）形式の凸性解析により、先行手法と比較して緩和がより緊密であることが確認された。これは、緩和解がより頻繁にランク1行列を生成し、源座標への因子分解に適していることを示している。
• SL-ℓ₁は、ML問題を重み付きガウスケースに再定式化することで、ラプラスノイズを効果的にモデル化し、実世界の距離測定値に一般的に見られる外れ値に対しても耐性を持つ。
• SLNNを部分問題として用いる反復的SL-ℓ₁戦略は高い性能を発揮するが、非反復的SDPベースの代替手法は、計算コストを低く抑えながらも同等の精度を達成する。
• 元の非凸ML問題とそのSDP緩和問題との間に理論的同等性が証明され、緩和問題の最適値が元の問題と一致することが保証される。これにより、グローバル最適性が保証される。
• 行列 $\mathbf{U}^{T}\mathbf{C}$ の核ノルムおよびフロベニウスノルムの境界を確認することで、核ノルム緩和がフロベニウスノルムアプローチよりも緊密であることが裏付けられ、SLNNの優位性が支持される。