[論文レビュー] Recursive Distributed Detection for Composite Hypothesis Testing: Algorithms and Asymptotics

Anit Kumar Sahu, Soummya Kar|arXiv (Cornell University)|Jan 19, 2016

Distributed Sensor Networks and Detection Algorithms参考文献 37被引用数 3

ひとこと要約

本稿では、スパarsely接続されたエージェントネットワークにおける合成仮説検定のため、2つの分散型再帰的一般尤度比検定、CILRT および CIGLRT を提案する。局所的センシングとコンSENSUSに基づく情報共有を組み合わせることで、エージェントはノイズで汚された信号を共同で検出可能となり、グローバル観測可能性のもとで漸近的に減少する誤り確率を達成し、線形モデルにおいて大偏差性能保証を提供する。

ABSTRACT

This paper studies recursive composite hypothesis testing in a network of sparsely connected agents. The network objective is to test a simple null hypothesis against a composite alternative concerning the state of the field, modeled as a vector of (continuous) unknown parameters determining the parametric family of probability measures induced on the agents' observation spaces under the hypotheses. Specifically, under the alternative hypothesis, each agent sequentially observes an independent and identically distributed time-series consisting of a (nonlinear) function of the true but unknown parameter corrupted by Gaussian noise, whereas, under the null, they obtain noise only. Two distributed recursive generalized likelihood ratio test type algorithms of the \emph{consensus+innovations} form are proposed, namely $\mathcal{CILRT}$ and $\mathcal{CIGLRT}$, in which the agents estimate the underlying parameter and in parallel also update their test decision statistics by simultaneously processing the latest local sensed information and information obtained from neighboring agents. For $\mathcal{CIGLRT}$, for a broad class of nonlinear observation models and under a global observability condition, algorithm parameters which ensure asymptotically decaying probabilities of errors~(probability of miss and probability of false detection) are characterized. For $\mathcal{CILRT}$, a linear observation model is considered and large deviations decay exponents for the error probabilities are obtained.

研究の動機と目的

• スパarsely接続されたエージェントのネットワークにおける、分散型で再帰的なアルゴリズムを、合成仮説検定のために開発すること。
• 信号のパラメトリックな形が未知であるが連続的家族に属する場合に、エージェントが共同でノイズ中の信号を検出できるようにすること。
• グローバル観測可能性のもとで、誤検出確率および見逃し確率が漸近的に減少するようにするためのアルゴリズムパラメータを特定すること。
• 線形観測モデルの場合の誤り確率の大偏差減衰指数を導出すること。

提案手法

• アルゴリズムはコンセンサス＋イノベーションアーキテクチャを採用しており、エージェントは新規観測値と隣接エージェントからの情報の両方を用いて、局所的推定値および検定統計量を更新する。
• CIGLRT は非線形観測モデルを想定し、再帰的パラメータ推定と尤度比検定を併用する。
• CILRT は線形モデルに特化しており、線形化された尤度比検定と再帰的パラメータ更新を用いる。
• エージェントは局所的十分統計量を維持し、分散的で再帰的な更新ルールを用いて、推定値と意思決定ルールを繰り返し精緻化する。
• アルゴリズムはパラメータ推定の漸近的一貫性と、検定統計量が真の仮説に収束することを保証する。
• ネットワーク全体が真のパラメータを特定し、仮説を区別できるように保証するため、グローバル観測可能性を仮定する。

実験結果

リサーチクエスチョン

• RQ1 非線形観測モデルのもとで、分散型再帰的アルゴリズムは合成仮説検定において漸近的に減少する誤り確率を達成できるか？
• RQ2 CIGLRT アルゴリズムにおけるどのパラメータ選択が、誤報確率および見逃し確率の両方がゼロに漸近的に減少することを保証するか？
• RQ3 線形モデルの場合、CILRT アルゴリズムのもとで誤り確率の大偏差減衰指数はどのように振る舞うか？
• RQ4 コンセンサス＋イノベーション構造は、スパarsely接続された分散型ネットワークで信頼性の高い検出をどのように可能にするか？

主な発見

• CIGLRT に関しては、グローバル観測可能性の条件下で、見逃し確率および誤検出確率が漸近的にゼロに減少するように、アルゴリズムパラメータを調整可能である。
• 線形モデルにおける CILRT に関しては、誤り確率の大偏差減衰指数を明示的に導出しており、その減少速度を定量的に評価している。
• 提案されたアルゴリズムは、分散的で再帰的な更新により、一貫したパラメータ推定と信頼性の高い仮説検定を達成する。
• コンセンサス＋イノベーションフレームワークにより、エージェントは局所的センシングと隣接エージェントからの情報の有効な統合が可能となり、検出性能が向上する。