[논문 리뷰] Recursive Distributed Detection for Composite Hypothesis Testing: Algorithms and Asymptotics

Anit Kumar Sahu, Soummya Kar|arXiv (Cornell University)|2016. 01. 19.

Distributed Sensor Networks and Detection Algorithms참고 문헌 37인용 수 3

한 줄 요약

이 논문은 에이전트 간의 희박하게 연결된 네트워크에서 복합 가설 검정을 위한 두 가지 분산형 재귀 일반화된 우도 비율 검정, CILRT와 CIGLRT를 제안한다. 국소적 감지와 공감 기반 정보 공유를 융합함으로써, 알고리즘은 에이전트들이 노이즈에 오염된 신호를 공동으로 탐지할 수 있게 하며, 전역 관측 가능성 조건 하에서 점점 감소하는 오류 확률을 달성하고, 선형 모델에서 큰 편차 성능 보장을 제공한다.

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.

연구 동기 및 목표

• 희박하게 연결된 에이전트 네트워크에서 복합 가설 검정을 위한 분산형, 재귀적 알고리즘을 개발하는 것.
• 신호의 매개수 형태가 알려져 있지 않지만 연속적인 가족에 속할 경우, 에이전트들이 함께 노이즈 속의 신호를 탐지할 수 있도록 하는 것.
• 전역 관측 가능성 조건 하에서 오류 확률의 점점 감소하는 특성을 보장하는 알고리즘 매개수를 규명하는 것.
• 선형 관측 모델의 경우 오류 확률의 큰 편차 감소 지수를 유도하는 것.

제안 방법

• 알고리즘은 공감+혁신 아키텍처를 사용하며, 에이전트들이 새로운 관측치와 이웃으로부터의 정보를 모두 활용하여 국소적 추정치와 검정 통계량을 갱신한다.
• CIGLRT는 비선형 관측 모델을 위해 설계되었으며, 재귀적 매개수 추정과 함께 우도 비율 검정을 수행한다.
• CILRT는 선형 모델을 위해 특화되어 있으며, 선형화된 우도 비율 검정과 함께 재귀적 매개수 갱신을 사용한다.
• 에이전트들은 국소적 충분통계량을 유지하고, 분산형 재귀 갱신 규칙을 통해 추정치와 결정 규칙을 반복적으로 개선한다.
• 알고리즘은 매개수 추정의 점근적 일致성과 검정 통계량이 진짜 가설로 수렴하도록 보장한다.
• 전체 네트워크가 진짜 매개수를 식별하고 가설을 구분할 수 있도록 보장하기 위해 전역 관측 가능성을 가정한다.

실험 결과

연구 질문

• RQ1 비선형 관측 모델 조건 하에서 분산형 재귀 알고리즘이 복합 가설 검정에서 점점 감소하는 오류 확률을 달성할 수 있는가?
• RQ2 CIGLRT 알고리즘에서 어떤 매개수 설정이 거짓 경고 확률과 탐지 실패 확률이 모두 0으로 수렴하도록 보장하는가?
• RQ3 CILRT 알고리즘을 사용할 때 선형 모델의 경우 오류 확률의 큰 편차 감소 지수는 어떻게 행동하는가?
• RQ4 공감+혁신 아키텍처는 희박하고 탈중앙화된 네트워크에서 신뢰할 수 있는 탐지 기능을 어떻게 제공하는가?

주요 결과

• CIGLRT의 경우 전역 관측 가능성 조건 하에서, 오류 확률의 탐지 실패 및 거짓 신호 확률이 점점 감소하도록 매개수를 선택할 수 있다.
• 선형 모델에서 CILRT의 경우, 오류 확률의 명시적 큰 편차 감소 지수를 도출하였으며, 감소 속도를 정량화하였다.
• 제안된 알고리즘은 분산형 재귀 갱신을 통해 일관된 매개수 추정과 신뢰할 수 있는 가설 검정을 달성한다.
• 공감+혁신 프레임워크는 국소적 감지와 이웃 정보를 효과적으로 융합할 수 있게 하여 탐지 성능을 향상시킨다.