[论文解读] Growing Linear Consensus Networks Endowed by Spectral Systemic Performance Measures

Milad Siami, Nader Motee|arXiv (Cornell University)|Jun 23, 2017

Complex Network Analysis Techniques被引用 4

一句话总结

本文提出了一类基于拉普拉斯特征值谱函数的线性一致性网络系统性能度量新类别，其特性包括单调性、凸性及正交不变性。提出两种高效的多项式时间近似算法——基于线性化的算法与贪心秩一更新算法，用于扩展网络以最小化此类度量，理论性能边界与复杂度分析证实了其在大规模系统中的可扩展性。

ABSTRACT

We propose an axiomatic approach for design and performance analysis of noisy linear consensus networks by introducing a notion of systemic performance measure. This class of measures are spectral functions of Laplacian eigenvalues of the network that are monotone, convex, and orthogonally invariant with respect to the Laplacian matrix of the network. It is shown that several existing gold-standard and widely used performance measures in the literature belong to this new class of measures. We build upon this new notion and investigate a general form of combinatorial problem of growing a linear consensus network via minimizing a given systemic performance measure. Two efficient polynomial-time approximation algorithms are devised to tackle this network synthesis problem: a linearization-based method and a simple greedy algorithm based on rank-one updates. Several theoretical fundamental limits on the best achievable performance for the combinatorial problem is derived that assist us to evaluate optimality gaps of our proposed algorithms. A detailed complexity analysis confirms the effectiveness and viability of our algorithms to handle large-scale consensus networks.

研究动机与目标

• 将基于拉普拉斯特征值谱函数的统一公理化框架正式化，用于线性一致性网络的系统性能度量。
• 识别并验证广泛使用的性能度量（如 H₂-范数、H∞-范数及 Hardy-Schatten 范数）是该新类别的特例。
• 解决通过边添加方式扩展网络以最小化给定系统性能度量的组合网络综合问题。
• 为大规模网络设计开发具有可证明性能保证的高效近似算法。
• 建立可实现性能的理论基本极限，以评估所提算法的最优性差距。

提出的方法

• 将系统性能度量定义为拉普拉斯矩阵的谱函数，其需满足关于拉普拉斯矩阵的单调性、凸性及正交不变性。
• 将网络扩展问题形式化为组合优化任务：通过添加边来最小化给定的系统性能度量。
• 提出基于线性化的近似算法，将非凸的组合问题松弛为可处理的凸子问题。
• 开发基于序列秩一更新的贪心算法，迭代添加能带来最大性能提升的边。
• 利用谱分解与系统范数恒等式（如 H₂、H∞、Hp）将性能度量表达为拉普拉斯特征值的函数。
• 利用 Schur-凸函数与特征值大杂凑的性质，推导最佳可实现性能的理论边界。

实验结果

研究问题

• RQ1 共识网络中广泛使用的哪些性能度量属于新定义的系统性能度量类别？
• RQ2 在谱性能度量下，网络扩展问题如何形式化为组合优化任务？
• RQ3 通过网络扩展可实现的最佳性能提升的根本理论极限是什么？
• RQ4 能否设计出具有可证明次优性边界的大规模网络综合高效近似算法？
• RQ5 所提算法在性能与复杂度上与现有方法（如 SDP 松弛或贪心启发式）相比如何？

主要发现

• 线性一致性网络的 H₂-范数为 $\|G\|_{\mathcal{H}_2} = \left(\frac{1}{2}\sum_{i=2}^{n}\lambda_i^{-1}\right)^{1/2}$，这是一项系统性能度量。
• H∞-范数为 $\|G\|_{\mathcal{H}_\infty} = \lambda_2^{-1}$，其中 $\lambda_2$ 为代数连通度，这也是一项系统性能度量。
• p-Hardy-Schatten 范数满足 $\|G\|_{\mathcal{H}_p} = \alpha_0 \left(\zeta_{p-1}(L)\right)^{1 - 1/p}$（$2 \leq p \leq \infty$），并被证明为系统性能度量。
• 所提出的基于线性化的算法与贪心秩一更新算法均实现多项式时间复杂度，并提供可证明的次优性边界。
• 利用特征值大杂凑与 Schur-凸性推导出性能的理论基本极限，从而可评估最优性差距。
• 复杂度分析证实了算法在大规模一致性网络中的可扩展性，计算效率通过理论边界得到验证。