무선 IoT 그리드 네트워크에서의 분산 주성분 분석 기법 = Distributed Principal Component Analysis for Wireless IoT Grid Networks

다국어 초록 (Multilingual Abstract)

In this study, the performance of the distributed principal component analysis (PCA) algorithm through bidirectional matrix division in a wireless channel environment was evaluated. Dividing the data matrix in both directions into a row direction and a column direction has an advantage of reducing the dimension of the matrix assigned to each device. The assigned matrices can be flexibly adjusted according to computing capability and environments. The principal component of the entire original matrix is estimated through communications between devices, but the existing distributed PCA algorithm cannot be applied to wireless enviornments due to wireless channel fading and noise. Therefore, in order to address the wireless channel effect, a time diversity scheme and a maximum ratio combiner at each receiving node are exploited. Utilizing signal combining techniques, diversity in the wireless channels, power methods, average consensus algorithm, this paper develops a power method-based distributed PCA for wireless IoT network. Our simulation results show that the distributed PCA still converges to it’s principal components in wireless grid networks.

국문 초록 (Abstract)

본 논문에서는 무선채널 환경에서 양 방향 행렬 분할을 통한 분산 주성분 분석 알고리즘의 성능을 평가하였다.
데이터 행렬을 행 방향과 열 방향의 양 방향으로 분할하면, 각 장치에 할당되는 행렬의 차원을 더 작게 줄일 수있으며, 주변 환경에 맞춰 유연하게 크기를 조절할 수 있다는 장점이 있다. 이 때, 각 장치 간 통신을 통해 전체행렬의 주성분을 추정하게 되는데, 통신 채널이 무선채널이라면 채널 페이딩과 잡음으로 인해 본래의 분산 주성분분석 알고리즘이 동작을 하지 않는다. 따라서, 무선채널 효과를 최소화하기 위해 시간 다이버시티 (time diversity) 기법을 이용하고, 수신 노드에서 최우도 결합기 (maximal ratio combiner)를 이용하여 신호를 취합하는 방식을 적용하였다. 본 논문은 신호 결합 기법과 다이버시티, 거듭제곱법, 평균 합의 알고리즘 개념을 활용하여, 무선 채널에서 거듭제곱법 기반의 분산 주성분 분석을 제안하고, 시뮬레이션을 통해 무선 그리드 네트워크에서 분산 주성분분석이 수렴한다는 것을 확인한다.

참고문헌 (Reference)

• 1 계효선 ; 권민혜, "주성분 분석기반 저복잡 이상탐지 기술 연구" 한국통신학회 46 (46): 941-955, 2021
• 2 김우영 ; 손경락 ; 최완, "무선 분산 주성분 분석을 이용한 도래각 추정" 한국통신학회 47 (47): 836-844, 2022
• 3 C. M. Bishop, "Pattern Recognition and Machine Learning" Springer 2006
• 4 E. Oja, "On stochastic approximation of the eigenvectors and eigenvalues of the expectation of a random matrix" 106 (106): 69-84, 1985
• 5 G. H. Golub, "Matrix Computations" Johns Hopkins University Press 2013
• 6 D. Tse, "Fundamentals of Wireless Communication" Cambridge University Press 2005
• 7 L. Xiao, "Fast linear iterations for distributed averaging" 53 (53): 65-78, 2004
• 8 K. Son, "Distributed matrix multiplication using group algebra for on-device edge computing" 28 : 2097-2101, 2021
• 9 T. Norikazu, "Distributed algorithm for principal component analysis based on power method and average consensus algorithm" 16-21, 2020
• 10 S. X. Wu, "A review of distributed algorithms for principal component analysis" 106 (106): 1321-1340, 2018