[論文レビュー] Distributed Consensus Algorithms in Sensor Networks: Link Failures and Channel Noise

Soummya Kar, José M. F. Moura|ArXiv.org|Nov 25, 2007

Distributed Control Multi-Agent Systems参考文献 14被引用数 68

ひとこと要約

本稿では、ランダムなリンク障害とノイジーなチャネルを伴うセンサーネットワークに対して、平均コンセンサスにおけるバイアス-分散トレードオフを扱う2つの分散型コンセンサスアルゴリズム、A-NDおよびA-NCを提案する。A-NDは、減衰する重みを用いることで、真の平均への確実収束を保証し、バイアスと分散を調整可能にしている。一方、A-NCは、固定長の繰り返し実行とモンテカルロ平均化を用いて、収束速度と推定精度のバランスを取る。

ABSTRACT

The paper studies average consensus with random topologies (intermittent links) \emph{and} noisy channels. Consensus with noise in the network links leads to the bias-variance dilemma--running consensus for long reduces the bias of the final average estimate but increases its variance. We present two different compromises to this tradeoff: the $\mathcal{A-ND}$ algorithm modifies conventional consensus by forcing the weights to satisfy a \emph{persistence} condition (slowly decaying to zero); and the $\mathcal{A-NC}$ algorithm where the weights are constant but consensus is run for a fixed number of iterations $\hat{\imath}$, then it is restarted and rerun for a total of $\hat{p}$ runs, and at the end averages the final states of the $\hat{p}$ runs (Monte Carlo averaging). We use controlled Markov processes and stochastic approximation arguments to prove almost sure convergence of $\mathcal{A-ND}$ to the desired average (asymptotic unbiasedness) and compute explicitly the m.s.e. (variance) of the consensus limit. We show that $\mathcal{A-ND}$ represents the best of both worlds--low bias and low variance--at the cost of a slow convergence rate; rescaling the weights...

研究の動機と目的

• ランダムなトポロジーとノイジーな通信チャネル下での分散型平均コンセンサスにおけるバイアス-分散トレードオフを解消すること。
• リンク障害と加法的ノイズの存在下でも、漸近的不偏性を維持するとともに、平均二乗誤差（MSE）を制御するアルゴリズムの設計。
• 繰り返し平均化とモンテカルロ技術を用いて、高速な収束と低い分散を達成すること。
• 一般のランダムリンクおよびノイズモデル下で、確実収束およびMSEの境界について理論的保証を確立すること。
• 静的ネットワークにおけるガウスノイズ下で、A-NCの最適パrameterチューニングを行い、最小の実行長で(ε,δ)-コンセンサスを達成すること。

提案手法

• 漸近的不偏性と有限分散を保証するため、持久条件を満たすゆっくり減衰する重みα(i)を用いるA-NDアルゴリズムを提案。
• 制御されたマルコフ過程と確率的近似理論を用い、センサーステートがコンセンサス部分空間に確実に収束することを証明。
• A-NCアルゴリズムを繰り返し平均化方式として導入：固定回数の反復回数𝔠̂でコンセンサスを実行し、𝔠̂p回繰り返し、最終ステートを平均化して分散を低減。
• リャプノフ関数を用いたドリフト解析により、状態偏差の期待変化をバウンディングし、収束条件を導出。
• MSEの上界を重みの二乗和∑α²(i)の関数として導出し、分散を任意に小さくできることを示す。
• A-NCに関しては、最適な定数重みαおよび(ε,δ)-コンセンサスを高確率で達成するための最小実行長𝔠̂を計算。

実験結果

リサーチクエスチョン

• RQ1 ランダムなリンク障害とノイジーな通信を伴う分散型平均コンセンサスを、バイアスと分散を最小限に抑えるようにどのように強化できるか？
• RQ2 重み列にどのような条件を課すと、ランダムなトポロジーとノイズの下でも真の平均への確実収束が保証されるか？
• RQ3 A-NDにおける重みの減衰レートの選択が、バイアス低減と収束速度のトレードオフにどのように影響するか？
• RQ4 A-NCにおいて、総計算量を最小限に抑えるとともに所望の(ε,δ)-コンセンサスを達成するための1回の実行における反復回数と実行回数の最適な組み合わせは何か？
• RQ5 一般のノイズおよびリンク障害モデル下で、コンセンサス極限の平均二乗誤差を明示的にバウンディングできるか？

主な発見

• A-NDアルゴリズムは、真の平均への確実収束を達成し、漸近的不偏性を保ち、MSEが(η/N²)∑α²(i)でバウンディングされる。ここでηはネットワーク依存定数である。
• A-NDにおけるコンセンサス極限の分散は、α(i)の減衰レートを調整することで任意に小さくできるが、その代わりに収束が遅くなる。
• A-NCアルゴリズムは定数重みを用いるため、A-NDよりも高速に収束するが、バイアス-分散トレードオフの性質が異なる：短い実行長（较小な𝔠̂）は分散を低減するが、バイアスを増加させる。
• 静的ネットワークにおけるガウスノイズ下では、A-NCの最適な定数重みαは、(ε,δ)-コンセンサスを高確率で達成するための総実行長𝔠̂ × 𝔠̂pを最小化する。
• A-NCの最小総実行長𝔠̂ × 𝔠̂pはきついバウンディングを満たし、ε、δおよびネットワークの第二小固有値λ₂(L̄)に依存する。
• 一般の仮定（マコフ連鎖的リンク障害およびノイズ）下でも、L̄の第二小固有値λ₂(L̄) > 0を満たす限り、A-NDおよびA-NCの両方が収束性と有界なMSEを維持する。