[论文解读] Burer-Monteiro guarantees for general semidefinite programs

Diego Cifuentes|arXiv (Cornell University)|Apr 15, 2019

Sparse and Compressive Sensing Techniques参考文献 16被引用 6

一句话总结

本文将Burer-Monteiro方法扩展至一般半定规划（SDP），包括含不等式约束或多个半定块的SDP，证明当因子化秩 $ p \gtrsim \sqrt{2m} $ 时，非凸低秩因子化方法可成功求解，其中 $ m $ 为约束数量。该方法为一大类SDP提供了可证明的全局收敛性，其应用涵盖传感器网络定位与矩阵感知问题。

ABSTRACT

Consider a semidefinite program (SDP) involving an $n imes n$ positive semidefinite matrix $X$. The Burer-Monteiro method consists in solving a nonconvex program in $Y$, where $Y$ is an $n imes p$ matrix such that $X=Y Y^T$. Despite nonconvexity, Boumal et al. showed that the method provably solves generic equality-constrained SDP's when $p \gtrsim \sqrt{2m}$, where $m$ is the number of constraints. We extend this result to arbitrary SDP's, possibly involving inequalities or multiple semidefinite constraints. We illustrate applications to sensor network localization and to matrix sensing.

研究动机与目标

• 将Burer-Monteiro非凸优化方法的适用范围从等式约束SDP推广至含不等式约束和多个半定块的一般SDP。
• 在更广泛的设定下，建立低秩因子化方法的可证明收敛性保证。
• 深化对Burer-Monteiro方法在非凸优化中求解SDP时成功条件的理论理解。
• 在实际问题（如传感器网络定位与矩阵感知）中展示该方法的有效性。

提出的方法

• 将一般SDP重述为关于 $ n \times p $ 矩阵 $ Y $ 的非凸优化问题，其中 $ X = YY^T $，从而实现低秩解。
• 将Burer-Monteiro因子化技术应用于含等式与不等式约束以及多个半定约束的SDP。
• 通过临界点分析表明，在一般条件下，所有二阶临界点均为全局最优解。
• 在约束流形上引入正则性条件，以确保因子化问题继承原始SDP的有利几何结构。
• 证明当 $ p \gtrsim \sqrt{2m} $ 时，对于一般实例，非凸问题不包含虚假局部极小值。
• 利用微分几何与流形上优化的工具，分析因子化问题的景观特性。

实验结果

研究问题

• RQ1 在何种条件下，Burer-Monteiro因子化方法可成功求解含不等式约束的一般SDP？
• RQ2 Burer-Monteiro方法的可证明收敛性保证能否超越等式约束SDP的范围？
• RQ3 在一般SDP中，为避免虚假局部极小值，低秩因子化的最小秩 $ p $ 应为多少？
• RQ4 多个半定约束的存在如何影响非凸因子化问题的景观结构？
• RQ5 该方法能否在传感器网络定位与矩阵感知等实际问题中有效应用？

主要发现

• 当 $ p \gtrsim \sqrt{2m} $ 时，Burer-Monteiro方法可可证明地求解含不等式约束和多个半定块的一般SDP。
• 对于一般实例，因子化问题的所有二阶临界点均为全局最优解，从而确保收敛至真实解。
• 即使约束包含不等式或多个正定半定块，该方法仍保持有利的景观特性。
• 在约束流形的弱正则性条件下，理论保证成立，从而扩展了以往仅限于等式约束情形的研究结果。
• 实验结果证实该方法在传感器网络定位与矩阵感知中的有效性，与理论预测一致。