[논문 리뷰] Reduced Order Modeling of Diffusively Coupled Network Systems: An Optimal Edge Weighting Approach

Xiaodong Cheng, Lanlin Yu외 2명|arXiv (Cornell University)|2020. 03. 07.

Model Reduction and Neural Networks참고 문헌 22인용 수 7

한 줄 요약

이 논문은 확산 결합 네트워크 시스템의 축소 모델링을 위한 최적의 엣지 가중치 부여 방법을 제안한다. 주어진 그래프 클러스터링이 있을 때, 몫 네트워크의 엣지 가중치를 반복 알고리즘을 통해 조정하여 근사 오차의 $\mathcal{H}_{2}$-노름을 최소화한다. 이 방법은 클러스터링 기반 투영에 비해 정확도를 41.93% 향상시키며, 14노드 센서 네트워크 예제에서 최종 오차가 0.0187에 도달한다. 네트워크 구조를 유지하면서도 성능 향상을 이룬다.

ABSTRACT

This paper studies reduced-order modeling of dynamic networks with strongly connected topology. Given a graph clustering of an original complex network, we construct a quotient graph with less number of vertices, where the edge weights are parameters to be determined. The model of the reduced network is thereby obtained with parameterized system matrices, and then an edge weighting procedure is devised, aiming to select an optimal set of edge weights that minimizes the approximation error between the original and the reduced-order network models in terms of H2-norm. The effectiveness of the proposed method is illustrated by a numerical example.

연구 동기 및 목표

• 클러스터 형성 후 축소 모델을 고정하는 기존 클러스터링 기반 모델 축소 방법의 한계를 해결하기 위해, 엣지 가중치 조정을 통한 정확도 향상 잠재력을 무시하지 않는다.
• 축소 모델링 문제를 엣지 가중치가 자유 매개변수인 최적화 문제로 재정의한다.
• 원본 및 축소된 네트워크 모델 간의 근사 오차 $\mathcal{H}_{2}$-노름을 최소화한다.
• 비볼록 최적화 문제에 이차형 매트릭스 부등식(BMI) 제약 조건이 존재할 때도 계산적으로 실현 가능한 알고리즘을 개발한다.
• 기존 네트워크 구조를 유지하면서도 표준 투영 기반 방법보다 더 높은 정확도를 달성하는 축소 모델을 확보한다.

제안 방법

• 주어진 그래프 클러스터링에서 유도된 몫 그래프를 사용하여 매개변수화된 축소 모델을 구성하며, 엣지 가중치를 조정 가능한 매개변수로 사용한다.
• 근사 오차는 $\mathcal{H}_{2}$-노름으로 측정되어 엣지 가중치에 대해 이 오차를 최소화하는 최적화 문제로 이어진다.
• 비볼록 BMI 제약 조건은 볼록-볼록 분해를 통해 다루어지며, 이는 순차적인 볼록 선형 매트릭스 부등식(LMI) 하위 문제로 변환된다.
• 클러스터링 기반 투영에서 유도된 가중치로 초기화된 반복 알고리즘을 제안하여 LMI 하위 문제를 해결하고 국소 최적해로 수렴한다.
• 알고리즘은 수렴을 보장하며, 네트워크 구조(topology)를 변경하지 않고도 엣지 가중치를 체계적으로 조정하여 모델 정확도를 향상시킨다.
• 각 반복 단계에서 볼록 하위 문제를 해결하기 위해 SeDuMi 솔버를 사용하여 방법을 구현한다.

실험 결과

연구 질문

• RQ1 네트워크 구조를 유지하면서도 축소 모델의 엣지 가중치를 최적화하여 근사 오차의 $\mathcal{H}_{2}$-노름을 최소화할 수 있는가?
• RQ2 이차형 매트릭스 부등식(BMI) 제약 조건이 존재하는 비볼록 최적화 문제를 네트워크 모델 축소 맥락에서 효율적으로 해결할 수 있는가?
• RQ3 최적의 엣지 가중치 부여를 통해 표준 클러스터링 기반 투영 방법에 비해 근사 정확도를 어느 정도 향상시킬 수 있는가?
• RQ4 제안된 반복 알고리즘이 의미 있는 해로 수렴하는가? 그리고 오차 감소 측면에서 베이스라인 방법을 능가하는가?
• RQ5 이 방법은 방향성 있고 강하게 연결된 확산 결합 네트워크에 적용 가능하며, 원본 시스템의 구조적 충실도를 유지할 수 있는가?

주요 결과

• 제안된 엣지 가중치 부여 방법은 14노드 센서 네트워크 예제에서 클러스터링 기반 투영 방법 대비 $\mathcal{H}_{2}$-노름 근사 오차를 41.93% 감소시켰다.
• 최종 근사 오차는 0.0187로, 기준 방법의 0.0322에서 감소하여 뚜렷한 정확도 향상을 입증하였다.
• 반복 알고리즘은 $\varepsilon = 10^{-5}$의 정밀도로 72회 반복 후 수렴하여 안정적이고 신뢰할 수 있는 해를 확보하였다.
• 최적의 엣지 가중치는 $\hat{w}^{*} = [0.6826, 0.2394, 0.6826, 0.0948, 0.0537, 0.1446, 0.0537, 0.1446]$로, 초기 투영 기반 가중치와 유의미하게 다름을 보였다.
• 이 방법은 원본 시스템의 네트워크 구조와 토폴로지를 유지하면서도, 매개변수화된 엣지 가중치를 통해 체계적인 오차 최소화를 가능하게 하였다.