손실 네트워크에서의 일반화된 그래디언트 최적화와 파티션 기반 추정

1. 서론에서는 대규모 사이버‑물리 시스템에서 데이터와 연산을 분산 처리해야 하는 필요성을 강조하고, 기존의 동기화된 분산 최적화 방법(예: ADMM, 서브그라디언트) 이 비동기·패킷 손실 환경에 취약함을 지적한다. 특히, 지역적으로 결합된 비용 구조를 갖는 문제(전력망 상태 추정, 로봇 로컬라이제이션 등)가 실제 시스템에서 흔히 나타난다는 점을 강조한다. 2. 관련 연구에서는 분산 서브그라디언트, ADMM, Newton 기반 방법들을 검토하고, 이들 중 일부가 ‘하이퍼 커뮤니케이션 그래프’를 가정하거나, 다중 라운드 통신을 필요로 하는 한계를 설명한다. 또한, 블록 Jacobi iteration 이론을 소개하며, 이를 일반화하는 것이 본 논문의 핵심 아이디어임을 밝힌다. 3. 문제 정의에서는 N개의 에이전트가 각각 상태 x_i∈ℝ^{n_i} 를 가지고, 강하게 연결된 유향 그래프 G(V,E) 를 통해 이웃과 통신한다는 가정을 둔다. 전역 비용 J(x)=∑_{i=1}^N J_i(x_i, {x_j}_{j∈N_i}) 로 정의하고, J(x) 가 엄격히 볼록하고 방사형 무한대(radially unbounded)임을 가정한다. 각 로컬 비용 J_i 는 반드시 엄격히 볼록할 필요는 없으며, 이는 실제 추정 문제에서 자주 발생한다. 4. 동기화된 이상적인 통신 환경을 가정한 경우, 블록 Jacobi 기반 Generalized Gradient Descent (GGD) 를 다음과 같이 제시한다. x_i^{k+1}=x_i^{k} - α ∇_{x_i} J_i( x_i^{k}, {x_j^{k}}_{j∈N_i}) . 여기서 α 는 고정 스텝 사이즈이며, 충분히 작은 값이면 전역 수렴이 보장된다. 수렴 증명은 전역 Lyapunov 함수 V(x)=J(x)-J(x*) 를 정의하고, V(x^{k+1}) ≤ V(x^{k}) - c‖∇J(x^{k})‖^2 형태의 감소식을 도출한다. 5. 비동기·패킷 손실이 존재하는 현실적인 상황을 다루기 위해, 각 에이전트는 이웃으로부터 마지막으로 성공적으로 수신한 상태 \hat{x}_j^{k} 를 저장한다. 업데이트 식은 x_i^{k+1}=x_i^{k} - α ∇_{x_i} J_i( x_i^{k}, { \hat{x}_j^{k} }_{j∈N_i}) . 패킷 손실은 독립적인 Bernoulli 과정으로 모델링되며, 손실 확률 p_{ij} 가 존재한다. 이때, ‘시간 스케일 분리’ 가 성립하도록 α 를 충분히 작게 잡으면, 기대 Lyapunov 감소식 E