[论文解读] Exact Reconstruction of Euclidean Distance Geometry Problem Using Low-rank Matrix Completion

Abiy Tasissa, Rongjie Lai|arXiv (Cornell University)|Apr 12, 2018

Sparse and Compressive Sensing Techniques参考文献 31被引用 4

一句话总结

本文提出一种基于低秩矩阵补全的算法，通过在对偶基框架下将欧氏距离几何（EDG）问题建模为核范数最小化问题，实现了对 $ n $ 个点的精确重构。当格拉姆矩阵满足参数为 $ \nu $ 的相干性条件时，以高概率可从 $ O(nr\nu\log^2 n) $ 个均匀随机距离采样中恢复真实配置，为分子构象和传感器网络等应用中不完整距离数据的理论保障与高效计算提供了支持。

ABSTRACT

The Euclidean distance geometry problem arises in a wide variety of applications, from determining molecular conformations in computational chemistry to localization in sensor networks. When the distance information is incomplete, the problem can be formulated as a nuclear norm minimization problem. In this paper, this minimization program is recast as a matrix completion problem of a low-rank $r$ Gram matrix with respect to a suitable basis. The well known restricted isometry property can not be satisfied in this scenario. Instead, a dual basis approach is introduced to theoretically analyze the reconstruction problem. If the Gram matrix satisfies certain coherence conditions with parameter $ν$, the main result shows that the underlying configuration of $n$ points can be recovered with very high probability from $O(nrν\log^{2}(n))$ uniformly random samples. Computationally, simple and fast algorithms are designed to solve the Euclidean distance geometry problem. Numerical tests on different three dimensional data and protein molecules validate effectiveness and efficiency of the proposed algorithms.

研究动机与目标

• 为解决计算化学、传感器网络和机器学习等应用中，由不完整成对距离数据重构点配置的欧氏距离几何（EDG）问题，提出有效解决方案。
• 通过引入对偶基框架，克服标准矩阵补全理论中受限等距性（RIP）在格拉姆矩阵恢复场景下的失效问题，实现理论分析的突破。
• 设计计算高效的算法，解决在精确与噪声部分距离信息下的EDG问题，推动其在真实世界数据集中的实际应用。
• 在相干性条件下建立精确恢复的理论保证，提供所需距离采样数量的概率上界。
• 通过在三维物体和蛋白质分子上的大量数值实验验证所提方法，结果表明其在速度与精度上均优于现有方法。

提出的方法

• 通过聚焦于格拉姆矩阵 $ \mathbf{X} = \mathbf{P}\mathbf{P}^T $，将EDG问题重新表述为低秩矩阵补全任务，该矩阵在点位于低维子空间时天然具有低秩性。
• 引入对偶基方法分析恢复问题，绕过该场景下受限等距性（RIP）的失效问题。
• 采用带约束的核范数最小化：$ \mathbf{X} \succeq \mathbf{0} $，$ \mathbf{X}^T = \mathbf{X} $，以及 $ \mathbf{X} \mathbf{1} = \mathbf{0} $，以保证半正定性与质心居中配置。
• 采用随机采样模型，其中距离条目被均匀随机采样，且在格拉姆矩阵满足参数 $ \nu $ 的相干性条件下可保证恢复。
• 设计快速简洁的算法（如算法1），利用一阶方法高效求解核范数最小化问题，适用于大规模问题。
• 将方法应用于精确与噪声距离数据，通过在三维物体和蛋白质分子上的数值实验，验证其鲁棒性与可扩展性。

实验结果

研究问题

• RQ1 在不完整且均匀随机的距离采样下，是否可通过格拉姆矩阵的低秩矩阵补全实现欧氏距离几何问题的精确重构？
• RQ2 标准受限等距性（RIP）框架是否适用于EDG中格拉姆矩阵的恢复？若不适用，何种替代理论框架可提供恢复保证？
• RQ3 在满足相干性条件时，为以高概率恢复潜在点配置，所需最少随机距离采样数量是多少？
• RQ4 所提算法在真实世界数据集上的EDG重构任务中，与现有方法相比在计算效率与精度方面表现如何？
• RQ5 在采样率与底层秩方面，该算法的实验相变行为如何？

主要发现

• 当格拉姆矩阵满足参数为 $ \nu $ 的相干性条件时，所提方法可从 $ O(nr\nu\log^2 n) $ 个均匀随机距离采样中以极高概率实现点配置的精确重构。
• 数值实验表明，即使在5%的采样率下，算法1在内积矩阵上的相对误差仍低于 $ 10^{-8} $，可成功重构三维物体与蛋白质分子。
• 对于1BPM蛋白（3672个点），算法1耗时223.14秒完成重构，优于基线方法[41]的392.29秒，且误差更低。
• 与[7]和[41]等先前方法相比，该算法在速度上实现了10至100倍的提升，其中1002个点的球体仅需3.27秒，2923个点的1KDH蛋白仅需104.60秒。
• 相变分析表明，该算法在广泛的采样率与秩范围内均能成功恢复，相图中白色区域表示近乎完美的恢复性能。
• 对偶基框架成功替代了基于RIP的分析，为非正交基与不完整采样下的矩阵恢复提供了新的理论路径。