[論文レビュー] Joint Centrality Distinguishes Optimal Leaders in Noisy Networks

Katherine Fitch, Naomi Ehrich Leonard|arXiv (Cornell University)|Jul 7, 2014

Distributed Control Multi-Agent Systems参考文献 29被引用数 4

ひとこと要約

本稿では、外部信号を追跡するノイズのあるマルチエージェントネットワークにおける最適リーダー集合を特定するための新しいグラフ理論的指標「ジョイント・セントラリティ」を導入する。ネットワークのトポロジーを用いて全システム誤差を表現することで、著者らはノイズのないリーダーが最大のジョイント・セントラリティを示す場合、定常状態での分散が最小化されることを証明している。最適な構成は、高い情報セントラリティとグラフカバレッジの両方をバランスさせるものであり、特にサイクルのような構造的グラフでは、均等なリーダー分布が誤差を最小化する。

ABSTRACT

We study the performance of a network of agents tasked with tracking an external unknown signal in the presence of stochastic disturbances and under the condition that only a limited subset of agents, known as leaders, can measure the signal directly. We investigate the optimal leader selection problem for a prescribed maximum number of leaders, where the optimal leader set minimizes total system error defined as steady-state variance about the external signal. In contrast to previously established greedy algorithms for optimal leader selection, our results rely on an expression of total system error in terms of properties of the underlying network graph. We demonstrate that the performance of any given set of leaders depends on their influence as determined by a new graph measure of centrality of a set. We define the $joint \; centrality$ of a set of nodes in a network graph such that a leader set with maximal joint centrality is an optimal leader set. In the case of a single leader, we prove that the optimal leader is the node with maximal information centrality. In the case of multiple leaders, we show that the nodes in the optimal leader set balance high information centrality with a coverage of the graph. For special cases of graphs, we solve explicitly for optimal leader sets. We illustrate with examples.

研究の動機と目的

• 外部信号を追跡するマルチエージェントネットワークにおける最適リーダー選択問題を、確率的摂動のもとで解決すること。
• ネットワークのグラフ特性を活用することで、グリーディアルゴリズムの代替として計算効率の良いリーダー選択手法を構築すること。
• リーダー集合の集団的影響を定量化する新しいセントラリティ指標「ジョイント・セントラリティ」を定義すること。
• ノイズのないおよびノイズのあるリーダー状況の両方において、最大のジョイント・セントラリティが全システム誤差を最小化することを証明すること。
• サイクルグラフなどの特殊なグラフ構造において、最適リーダー集合を明示的に解くこと。

提案手法

• システム誤差をネットワークグラフのラプラシアンとリーダー集合の構成の関数として導出し、フォロワー部分行列の逆行列を用いて誤差を定量化する。
• 集団的影響の尺度としてジョイント・セントラリティを導入し、システムの共分散行列におけるフォロワー部分行列の逆行列のトレースから導出する。
• スペクトルグラフ理論を用いて、サイクルグラフ内の三重対角ブロックの固有値を分析し、誤差最小化とフォロワー領域の均等分布を関連付ける。
• 抵抗距離と行列摂動理論を用いて、システム誤差をノード対間の距離とリーダー位置の関数として表現する。
• 偏微分と連続解の丸めを含む最適化技術を用い、パスおよびサイクルグラフにおける離散的最適リーダー集合を同定する。
• 解析的証明とサイクルおよびパスグラフにおける例示を通じて結果を検証し、最適構成への収束を示す。

実験結果

リサーチクエスチョン

• RQ1 外部信号を追跡する際の定常状態分散を最小化するため、ネットワークにおける最適リーダー集合をどのように選択できるか。
• RQ2 ノイズのあるネットワークにおいて、リーダー集合の集団的影響がシステム性能に与える影響を決定するグラフ理論的性質は何か。
• RQ3 l 個のリーダーに対する最適リーダー集合は、m 個のリーダー（m < l）に対する最適集合を必ず含むのか。また、そのような包含関係を回避するにはどうすればよいか。
• RQ4 サイクルやパスのような構造的グラフにおいて、最適リーダー配置の明示的解を導出できるか。
• RQ5 ジョイント・セントラリティは、最適リーダー性能を予測するための従来のセントラリティ指標（情報セントラリティなど）と比較して、どのように異なるか。

主な発見

• 単一のリーダーの場合、最適リーダーは、リーダーがノイズのない場合でもノイズのある場合でも、最大の情報セントラリティを持つノードである。
• 複数のノイズのないリーダーの場合、最適なパフォーマンスは、個々のリーダーの高い情報セントラリティと、ネットワークグラフ全体への広範なカバレッジの両立が達成された場合に得られる。
• n 個のノードと m 個のリーダーを持つサイクルグラフにおいて、n/m が整数である場合、最適リーダー集合は、隣接するリーダー間の測地的距離が p = n/m に等しくなるように均等に分布している。
• フォロワーのセグメントが等しい長さである場合、つまりリーダーがサイクル上に均等に配置されている場合、全システム誤差が最小化される。
• パスグラフでは、最適な2リーダー構成は、抵抗距離の2次形式を最小化することで得られ、リーダーはおおよそ s₁ = round(n/5 + 0.5) および s₂ = round(4n/5 + 0.5) に配置される。
• ジョイント・セントラリティは、ブルートフォースや反復的グリーディアルゴリズムに比べ、リーダー選択のための計算効率の良い代替手段を提供し、システム誤差をグラフ構造に直接結びつけることで、複雑性を低減する。