스위칭 네트워크에서 합의 상태 그램 행렬 추정

초록

본 논문은 확률적 스위칭 네트워크에서 필터링 구간 동안 발생하는 상태 오차의 그램 행렬을 경험적 스펙트럼 분포의 모멘트를 이용해 근사하는 방법을 제시한다. 근사식은 스위칭 확률과 기대 스펙트럼 모멘트만을 필요로 하며, 이를 바탕으로 기대 오차 노름을 최소화하는 2차 최적화 문제를 구성한다. 에르되시‑레니, 랜덤 위치, 확률적 블록 모델 네트워크에 대한 시뮬레이션을 통해 근사의 정확성을 확인하였다.

상세 분석

이 연구는 분산 평균 합의 문제를 가속화하기 위해, 시간에 따라 변하는 무작위 그래프 구조를 갖는 네트워크에 적용 가능한 필터 설계 프레임워크를 제안한다. 기존 연구에서는 정적 그래프에 대해 그래프 신호 처리 관점에서 필터를 다항식 형태로 설계했으며, 그 설계는 그래프 라플라시안의 고유값에 직접 의존한다. 그러나 네트워크가 스위칭(전환)될 경우, 매 시점마다 다른 이터레이션 행렬 (W_n)이 등장하고, 이들의 고유값·고유벡터가 급변하기 때문에 직접적인 고유값 기반 설계는 현실적이지 않다.

논문은 이러한 난관을 극복하기 위해 두 가지 핵심 아이디어를 도입한다. 첫째, 스위칭 구간(길이 (d)) 동안 발생하는 상태 오차 (\mathbf{e}= \sum_{k=0}^{d} a_{k+1}\phi_k({W_n})\mathbf{v})의 기대 제곱 노름을 최소화하는 대신, 그 기대값을 그램 행렬 (\mathbf{Q}(s))의 형태로 표현한다. 여기서 (s)는 스위칭 시퀀스를 나타내는 이진 벡터이며, (\phi_k)는 연속된 이터레이션 행렬들의 곱을 의미한다.

둘째, (\mathbf{Q}(s))의 정확한 기대값을 직접 계산하기는 어렵지만, 각 이터레이션 행렬의 경험적 스펙트럼 분포 (F_W)가 큰 차원에서 수렴한다는 가정 하에, 고유값 모멘트 (\mu_m = \int \lambda^m, dF_W(\lambda))만을 이용해 (\mathbf{Q}(s))를 근사한다. 구체적으로, 식 (20)에서는 스위칭 구간 내 각 네트워크가 사용된 횟수 (c_{0,m}(s,i))와 고유값 모멘트를 결합해 (\mathbf{b}Q(s){ij}= \sum_{m=1}^{#s}\mathbb{E}_{F_W}