[论文解读] 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 7

一句话总结

本文将线性时不变系统的网络重构问题形式化为压缩感知问题，旨在从有限的实验数据中恢复稀疏的网络连接结构。通过设计确保感知矩阵满足秩条件的实验，该方法可保证唯一稀疏解的存在，且通过有针对性的输入策略可减少所需实验次数——尽管高网络相干性会限制基追踪等凸松弛方法的性能。

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.

研究动机与目标

• 解决在生物系统中从有限实验数据重构稀疏动力网络的挑战。
• 克服网络重构中感知矩阵无法自由选择的局限性（与标准压缩感知不同）。
• 通过设计满足感知矩阵秩条件的实验，确保唯一稀疏解的存在。
• 通过整合先验知识（例如已知的非零连接）来减少所需实验次数。
• 评估不同实验策略（随机、有偏和有针对性）在实现唯一且可重构解方面的有效性。

提出的方法

• 将网络重构形式化为求解 $Ax = b$ 的问题，其中 $A$ 由输入/输出测量数据导出，$x$ 表示网络连接的动力学参数。
• 通过感知矩阵 $A$ 的秩条件保证唯一稀疏解的存在，确保可辨识性。
• 提出实验设计策略——随机、有偏和有针对性的输入施加——以确保满足秩条件。
• 通过固定 $x$ 中已知的非零项来整合先验知识，从而缩小搜索空间并减少所需实验次数。
• 通过基追踪（$l_1$ 最小化）实现凸松弛以高效求解，其成功与否取决于感知矩阵的相干性。
• 使用稳态或频域数据以减少数据需求，从而实现在更少测量下完成重构。

实验结果

研究问题

• RQ1 当感知矩阵受实验设计约束时，压缩感知能否有效应用于线性时不变系统中稀疏网络结构的重构？
• RQ2 何种实验设计策略可确保网络重构中稀疏解的唯一性？
• RQ3 整合关于已知网络连接的先验知识在多大程度上可减少精确重构所需的实验次数？
• RQ4 在此背景下，网络相干性在多大程度上限制了基追踪等凸松弛方法的成功率？
• RQ5 每次实验的输入数量与唯一解恢复所需实验次数减少之间的关系如何？

主要发现

• 设计不当的实验可能违反秩条件，即使假设稀疏性存在，也会导致非唯一稀疏解。
• 与随机或有偏策略相比，有针对性的实验设计能更有效地减少实现解唯一性所需的实验次数。
• 当每次实验施加四个输入时，对于 $k=2$ 的稀疏性，实现唯一性的实验次数稳定在 $m = 2k + 1$，且与策略无关。
• 当相干性较低时，基追踪在 100% 的情况下可成功恢复完整网络；但随着相干性增加，成功率下降。
• 感知矩阵的平均相干性随网络参数稳态增益的提高而增加，这与重构成功率降低相关。
• 使用基追踪实现精确重构所需的实验次数超过实现解唯一性的需求，与已知的理论界一致。