[論文レビュー] Compressed Sensing for Network Reconstruction

David Hayden, Young Hwan Chang+2 more|arXiv (Cornell University)|Nov 15, 2014

Sparse and Compressive Sensing Techniques参考文献 21被引用数 7

ひとこと要約

この論文は、線形時不変系のネットワーク再構成を、限られた実験データからスパースなネットワークリンク構造を回復するための圧縮センシング問題として定式化する。実験を設計することで測定行列がランク条件を満たすようにし、一意なスパース解が保証される。入力戦略を最適化することで必要な実験回数を削減できるが、ネットワークのコherー二ンスが高くなると、基底 pursuit らしい凸緩和法の性能が制限される。

ABSTRACT

The problem of identifying sparse solutions for the link structure and dynamics of an unknown linear, time-invariant network is posed as finding sparse solutions x to Ax=b. If the sensing matrix A satisfies a rank condition, this problem has a unique, sparse solution. Here each row of A comprises one experiment consisting of input/output measurements and cannot be freely chosen. We show that if experiments are poorly designed, the rank condition may never be satisfied, resulting in multiple solutions. We discuss experimental strategies for designing experiments such that the sensing matrix has the desired properties and the problem is therefore well posed. This formulation allows prior knowledge to be taken into account in the form of known nonzero entries of x, requiring fewer experiments to be performed. A number of simulated examples are given to illustrate the approach, which provides a useful strategy commensurate with the type of experiments and measurements available to biologists. We also confirm suggested limitations on the use of convex relaxations for the efficient solution of this problem.

研究の動機と目的

• 生物学的システムにおける限られた実験データからスパースな動的ネットワークを再構成する課題に取り組む。
• 標準的な圧縮センシングとは異なり、ネットワーク再構成における測定行列を自由に選べないという制限を克服する。
• 測定行列のランク条件を満たす実験設計により、一意なスパース解を保証する。
• 既知の非ゼロリンクなどの事前知識を組み込むことで、必要な実験回数を削減する。
• ランダム、バイアス付き、およびターゲット指向の実験戦略の有効性を評価し、一意かつ再構成可能な解を得る。

提案手法

• 入力出力測定値から導かれる行列 $A$ を用いて、スパースな $x$ に対する $Ax = b$ の解法としてネットワーク再構成を定式化する。ここで $x$ はネットワークリンクのダイナミクスを表す。
• 測定行列 $A$ のランク条件を用いることで、一意なスパース解が保証され、同定可能性が確保される。
• ランダム、バイアス付き、およびターゲット指向の入力適用戦略を提案し、ランク条件が満たされるように実験設計を行う。
• 既知の非ゼロエントリを固定することで事前知識を組み込み、探索空間と必要な実験回数を削減する。
• 効率的な解法のため、基底 pursuit（$l_1$ 最小化）による凸緩和を適用するが、その成功は測定行列のコヒーレンスに依存する。
• ステディステートまたは周波数領域のデータを用いることで、データ要件を低減し、より少ない測定回数で再構成を可能にする。

実験結果

リサーチクエスチョン

• RQ1 測定行列が実験設計によって制約を受ける状況下でも、圧縮センシングが線形時不変系のスパースなネットワーク構造再構成に効果的に適用可能かどうか。
• RQ2 どのような実験設計戦略がネットワーク再構成におけるスパース解の一意性を保証するか。
• RQ3 既知のネットワークリンクに関する事前知識を組み込むと、正確な再構成に必要な実験回数にどのような影響を与えるか。
• RQ4 ネットワークのコヒーレンスが、この文脈における基底 pursuit などの凸緩和法の成功にどの程度制限を及えるか。
• RQ5 1回の実験あたりの入力数と、一意な解回復に必要な実験回数の削減の関係は何か。

主な発見

• 不適切に設計された実験はランク条件を破り、スパース性を仮定しても一意でないスパース解を生じさせる可能性がある。
• ターゲット指向の実験設計は、ランダムまたはバイアス付き戦略よりも、解の一意性に必要な実験回数をより効果的に削減する。
• 1実験あたり4つの入力を適用する場合、$k=2$ のスパース性に対して、戦略に依存せず $m = 2k + 1$ で実験回数が安定する。
• コヒーレンスが低い場合には、基底 pursuit がターゲット指向実験で100％の確率で完全なネットワークを回復するが、コヒーレンスが高くなると成功率が低下する。
• 測定行列の平均コヒーレンスは、ネットワークパラメータのステディステートゲインが高くなるほど上昇し、再構成成功確率の低下と相関する。
• 基底 pursuit を用いた正確な再構成に必要な実験回数は、解の一意性に必要な回数を上回るが、既知の理論的境界と整合的である。