[論文レビュー] Sensor Network Localization, Euclidean Distance Matrix Completions, and Graph Realization

Yichuan Ding, Nathan Krislock+2 more|ArXiv.org|Dec 14, 2006

Sparse and Compressive Sensing Techniques参考文献 17被引用数 4

ひとこと要約

本稿は、センサネットワーク局所化（SNL）を、ユークリッド距離行列（EDM）補完問題として再定式化し、SNLのSDP緩和が既知のEDM補完定式化と同等であることを示している。アンカーをクリークとして扱い、SDP錐の最小面への射影を行うことで、問題のサイズを削減し、スレイターの条件を回復させ、数値的安定性を向上させた。主な貢献は、二次制約を用いたより安定で次元が低いSDP定式化であり、線形化されたシュール補完法に比べ、条件数と収束速度の両面で優れている。

ABSTRACT

We study Semidefinite Programming, \SDPc relaxations for Sensor Network Localization, \SNLc with anchors and with noisy distance information. The main point of the paper is to view \SNL as a (nearest) Euclidean Distance Matrix, \EDM, completion problem and to show the advantages for using this latter, well studied model. We first show that the current popular \SDP relaxation is equivalent to known relaxations in the literature for \EDM completions. The existence of anchors in the problem is {\em not} special. The set of anchors simply corresponds to a given fixed clique for the graph of the \EDM problem. We next propose a method of projection when a large clique or a dense subgraph is identified in the underlying graph. This projection reduces the size, and improves the stability, of the relaxation. In addition, viewing the problem as an \EDM completion problem yields better low rank approximations for the low dimensional realizations. And, the projection/reduction procedure can be repeated for other given cliques of sensors or for sets of sensors, where many distances are known. Thus, further size reduction can be obtained. Optimality/duality conditions and a primal-dual interior-exterior path following algorithm are derived for the \SDP relaxations We discuss the relative stability and strength of two formulations and the corresponding algorithms that are used. In particular, we show that the quadratic formulation arising from the \SDP relaxation is better conditioned than the linearized form, that is used in the literature and that arises from applying a Schur complement.

研究の動機と目的

• アンカーを伴うセンサネットワーク局所化（SNL）を、ユークリッド距離行列（EDM）補完問題として再定式化し、整備されたEDM理論を活用すること。
• アンカーは特別ではないが、EDMグラフにおける固定クリークに対応しており、他のセンサーと統一的に取り扱えることを示すこと。
• クリークまたは密な部分グラフが存在する場合、SDP錐の最小面への射影を適用することで、問題のサイズを削減し、スレイターの制約適合性を回復させ、数値的安定性を向上させること。
• 2つのSDP定式化、すなわち二次制約 $ Y - XX^T \succeq 0 $ と線形化されたシュール補完形式 $ \begin{bmatrix} I & X^T \\ X & Y \end{bmatrix} \succeq 0 $ のロバスト性と条件数を比較すること。
• SDP緩和を解くためのプライマル・デュアル内点外部パスフォローリングアルゴリズムを設計・実装し、数値的効率性と正確性に重点を置くこと。

提案手法

• センサ位置が部分的距離行列を実現する点に対応する、最近傍EDM補完問題にSNL問題を再定式化する。
• 半定値計画法（SDP）緩和を用いてEDM補完を解き、既存の文献におけるSDP定式化と同等であることを示す。
• クリーク（例：アンカーまたは密な部分グラフ）が特定された場合、SDP問題のサイズを削減するため、最小錐射影を適用し、スレイターの条件を回復させる。
• 主成分分析（PCA）に基づく新しいセンサ位置推定法を提案し、SDP解からの直接抽出に比べて精度を向上させる。
• ガウス・ニュートン型プライマル・デュアル内点外部パスフォローリングアルゴリズムを実装し、二次制約と線形化（シュール補完）制約の両方を用いてSDP緩和を解く。
• 乱数で生成されたセンサネットワークを用いた数値的実験により、2つの定式化を比較し、収束速度、双対ギャップ、解の正確性を測定する。

実験結果

リサーチクエスチョン

• RQ1 アンカーを伴うセンサネットワーク局所化は、ユークリッド距離行列（EDM）補完問題として同等に定式化可能か？
• RQ2 EDMグラフにおけるアンカーのクリークとしての扱いが、数値的安定性の向上と問題サイズの削減を可能にするか？
• RQ3 二次SDP制約 $ Y - XX^T \succeq 0 $ は、線形化されたシュール補完形式 $ \begin{bmatrix} I & X^T \\ X & Y \end{bmatrix} \succeq 0 $ よりも数値的に安定しているか？
• RQ4 最小面射影技術は、他の密な部分グラフに対しても一般化可能で、問題次元のさらなる削減と条件数の改善をもたらすか？
• RQ5 目的関数のノルムの選択（ℓ₂ と ℓ₁）が、SNLにおける解の正確性とアルゴリズムの性能にどのように影響するか？

主な発見

• SNLのSDP緩和は、数学的に既知のEDM補完緩和と同等であり、再定式化アプローチの有効性を裏付けている。
• クリーク（例：アンカーまたは密な部分グラフ）を特定した後、SDP錐の最小面への射影を施すことで、問題のサイズを削減し、スレイターの条件を回復させ、安定性が向上する。
• 二次制約定式化 $ Y - XX^T \succeq 0 $ は、線形化されたシュール補完形式よりも良好な条件数を示し、指定された双対ギャップ許容誤差に到達するまでの反復回数が少ない。
• 数値的実験では、二次定式化がより高い正確性を達成し、反復回数も少ないことが確認され、線形化バージョンにおける中央パス歪曲の理論的予想が裏付けられた。
• PCAに基づくセンサ位置推定法は、SDP解からの直接抽出に比べ、常に優れた性能を示し、テスト例では平均誤差を80％以上削減した。
• ガウス・ニュートン型プライマル・デュアルパスフォローリングアルゴリズムは、特に二次定式化に適用した場合、極めてロバストな性能を示し、悪条件問題に対しても安定して動作した。