[論文レビュー] On Distributed Optimization, Convex Relaxations, and Sensor Network Localization Problems.

Andrea Simonetto, Geert Leus|arXiv (Cornell University)|Sep 10, 2013

Indoor and Outdoor Localization Technologies参考文献 48被引用数 2

ひとこと要約

本論文は、測定ノイズの確率密度関数（PDF）に敏感な最尤（ML）定式化を活用する、分散型でADMMに基づく凸緩和手法を提案する。この手法により、局所的かつ隣接ノードのみとの通信に依存する計算が可能となり、グローバル収束性、誤差耐性、大規模ネットワークへのスケーラビリティを実現し、中央集権的および他の分散手法を凌駆する。

ABSTRACT

We propose a class of convex relaxations to solve the sensor network localization problem, based on a maximum likelihood (ML) formulation. This class, as well as the tightness of the relaxations, depends on the noise probability density function (PDF) of the collected measurements. We derive a computational efficient edge-based version of this ML convex relaxation class and we design a distributed algorithm that enables the sensor nodes to solve these edge-based convex programs locally by communicating only with their close neighbors. This algorithm relies on the alternating direction method of multipliers (ADMM), it converges to the centralized solution, it can run asynchronously, and it is computation error-resilient. Finally, we compare our proposed distributed scheme with other available methods, both analytically and numerically, and we argue the added value of ADMM, especially for large-scale networks.

研究の動機と目的

• ノイズのある範囲測定を持つ大規模ネットワークにおける正確でスケーラブルなセンサーネットワーク局所化の課題に対処する。
• 測定ノイズの統計的性質に適応可能な、センサーネットワーク局所化問題のための凸緩和フレームワークを構築する。
• 隣接ノードとのみの通信に依存する局所的計算を可能にする分散最適化アルゴリズムを設計し、収束性と頑健性を保証する。
• スケーラビリティおよび耐障害性の観点で、既存の中央集権的および分散手法よりも優れたADMMに基づく手法の優位性を実証する。
• エッジベースの定式化と非同期実行を活用することで、計算効率と障害耐性を確保する。

提案手法

• 範囲測定のノイズ確率密度関数（PDF）に依存する最尤（ML）推定問題として、センサーネットワーク局所化問題を定式化する。
• ML問題のための凸緩和クラスを構築し、そのタイトネスは元のノイズPDFに依存する。特定の条件下でグローバル最適解が回復されることを保証する。
• 計算複雑性を低減し、分散実装を可能にするために、ML凸緩和のエッジベース再定式化を導出する。
• 隣接ノード情報のみを用いて各センサーノードが局所的サブ問題を解けるように、交替方向乗数法（ADMM）を用いた分散最適化アルゴリズムを実装する。
• ADMM構造のおかげで、中央集権的解への収束、非同期更新のサポート、計算誤差への耐性を確保する。
• 通信効率性とスケーラビリティを高め、限られた局所的処理能力と通信範囲を持つ大規模センサーネットワークに適したアルゴリズムを設計する。

実験結果

リサーチクエスチョン

• RQ1 測定ノイズPDFの異なる分布に適合させるために、センサーネットワーク局所化問題の凸緩和をどのようにカスタマイズできるか？
• RQ2 中央集権的解に収束する分散最適化フレームワークは、どのようにして局所的かつ隣接ノードのみの通信に依存した計算を実現できるか？
• RQ3 提案手法のADMMベースのアプローチは、既存の中央集権的および分散型局所化アルゴリズムと、解析的および数値的に比較してどのように優れているか？
• RQ4 ADMMベースの手法は、大規模ネットワークにおけるスケーラビリティ、障害耐性、計算誤差への耐性をどのように向上させるか？
• RQ5 エッジベースの定式化は、計算効率性および分散実装可能性にどのような影響を与えるか？

主な発見

• 適切なノイズPDFの仮定のもとで、提案された凸緩和クラスはタイトである。これにより、緩和が正確な場合にグローバル最適解が回復される。
• エッジベースの定式化は、ノードベースの定式化と比較して計算複雑性を顕著に低減し、効率的な分散実装を可能にする。
• ADMMに基づく分散アルゴリズムは、非同期更新および計算誤差が存在する状況でも、中央集権的解に収束することが保証される。
• 数値的比較により、提案手法が既存の中央集権的および分散型手法よりも、局所化精度およびスケーラビリティの点で優れていることが示された。
• 通信障害や計算誤差に対しても強く耐性を示すため、現実の信頼性の低いセンサーネットワークに適している。
• 局所的計算と最小限の通信要件のおかげで、大規模ネットワークへのスケーリングが効果的に実現できる。