Distance to nearest skew-symmetric matrix polynomials of bounded rank

技術要約：有界ランクを持つ歪対称行列多項式への最短距離

問題の定義
本論文は、構造化された行列近接問題（structured matrix nearness problem）を扱っている。具体的には、$m \times m$ の次数 $d$ の行列多項式 $P(\lambda)$（複素係数）が与えられたとき、同じ次数（または最大で $d$ 次）かつ指定された偶数ランク $2r$（ここで $2 \le 2r \le m-1$）を持つ歪対称行列多項式 $S(\lambda)$ を求め、 $P(\lambda)$ とのフロベニウス距離を最小化することを目的とする。

この問題は、よく知られた「特異性への距離（distance to singularity）」問題を一般化したものである。「特異性への距離」は、最も近い特異な行列多項式（ランク $< m$）を求めるものであるが、本研究では、特定のより低いランク $2r$ を対象としている。著者らは、歪対称行列においてはランクが常に偶数になるため、偶数ランク $2r$ という制約は自然なものであると述べている。問題は、$P(\lambda)$ と $S(\lambda)$ の係数行列間の差の二乗フロベニウスノルムの和を最小化することとして定式化される。

手法
提案手法である GEARS (Generic Eigenstructures and Alternating direction method for Rank 2r approximation of Skew-symmetric matrix polynomials) は、歪対称行列多項式の生成的固有構造（generic eigenstructures）に関する最近の理論的進展に基づいている。

1. 生成的分解 (理論的基礎):
   手法の核となるのは、ランクが最大 $2r$ である歪対称行列多項式の集合のパラメータ化である。[17, 18] の結果に基づき、著者らは 定理 3.1 を利用している。これは、当該の集合が「生成的集合」 $G^{ss}_{d, 2r, m}$ の閉包であることを示している。この生成的集合の任意の要素は、以下のように分解できる：
   $$S(\lambda) = U(\lambda)V(\lambda)^T - V(\lambda)U(\lambda)^T$$
   ここで、$U(\lambda)$ は次数 $\lfloor d/2 \rfloor$ の $m \times r$ 行列多項式であり、$V(\lambda)$ は次数 $\lceil d/2 \rceil$ の $m \times r$ 行列多項式である。

2. 交互最小二乗法 (アルゴリズムの実装):
   最小化問題は、ベクトル化演算子 ($\text{vec}$) とクロネッカー積を用いて再定式化される。この分解を距離指標に代入することで、問題は $U(\lambda)$ および $V(\lambda)$ の係数に関する非凸最適化タスクとなる。
   著者らはこれを 交互最小二乗法 (Alternating Least Squares: ALS) 戦略を用いて解く：

   • $U(\lambda)$ を固定し、構造化行列 $M(U(\lambda))$ を含む線形最小二乗問題を最小化することで $V(\lambda)$ を解く。
   • 新たに計算された $V(\lambda)$ を固定し、同様に $U(\lambda)$ を解く。
   • 収束するまでこれを繰り返す。距離の数列は単調非増加であることが保証されている。

3. 行列ペナリルのための特殊化 (次数 $d=1$):
   行列ペナリル（次数 1）の特定のケースに対して、より効率的なバリアントである GEARS-SVD を開発した。

   • 著者らは、歪対称ペナリルのランク 1 分解を与える 定理 5.3 を活用している：$S_0 - \lambda S_1 = \sum_{i=1}^r (u_i v_i^T - v_i u_i^T)$。ここで、$u_i$ は定数ベクトルであり、$v_i$ は線形多項式ベクトルである。
   • この構造により、一般的な多項式の場合に使用される大きなクロネッカー積のシステムを構築することなく、直接より小さな線形システム（SVDおよびブロック分割による）を解くことで、ALSステップを実行できる。これにより、計算コストが大幅に削減される。

主な貢献

• 任意の偶数ランクに対するアルゴリズム: 従来のメソッドが主に特異性への距離（ランクが $m-1$ または $m-2$）を扱っていたのに対し、本アルゴリズムは指定された任意の偶数ランク $2r \ge 2$ に対して機能する。
• 理論的パラメータ化: ランクが有界な歪対称多項式の閉包の構成的なパラメータ化を確立し、分解ベースの最適化を可能にした。
• 効率的なソルバー（ペナリル用）: GEARS-SVD の導出は、歪対称ペナリルの特定の性質を利用して、大きなクロネッカー積の定式化を回避するように設計されており、一般的な多項式ソルバーと比較して大幅な高速化を実現している。
• 数値的検証: GEARS および GEARS-SVD を既存の手法（Riemann-Oracle および Matrix-Valued Function アプローチ）と比較する数値実験を実施した。

結果
ランダムな歪対称行列多項式およびペナリル（サイズ最大 $50 \times 50$）を用いた数値実験により、以下のことが示された：

• 精度: GEARS は、他の最先端の手法と同等の距離で解を見出す。
• 特異性の質: GEARS によって生成された解は、競合するアルゴリズムよりも「より特異（より小さな最小特異値を示す）」であり、これは手法の構成と一致している。
• パフォーマンス: GEARS は Riemann-Oracle および MVF アルゴリズムよりも大幅に高速である。行列ペナリルの場合、GEARS-SVD は、大きなクロネッカー積の定式化を回避しているため、行列サイズが増大するにつれて一般的な GEARS アルゴリズムよりも優れた性能を示す。
• スケーラビリティ: 実行時間は行列サイズに対して合理的にスケールし、実数体のケースは、同等の出力品質に対して複素数のケースよりも約 1 桁高速である。

意義と主張
本論文は、歪対称多項式の特定の代数的構造を利用することで、既存の最適化ベースの戦略（Riemann-Oracle など）とは異なり、かつそれらを補完するアプローチであることを主張している。主な意義は、以下の機能を備えた統一的なフレームワークを提供することにある：

1. 特異性への距離問題を特殊なケースとして解決する。
2. 任意の指定された偶数ランクの最も近い多項式を見つける能力を拡張する。
3. 重要なケースである行列ペナリルに対して、計算効率の高い特化したアルゴリズムを提供する。

著者らは、現在の手法が歪対称構造に限定されており、他の構造化クラス（対称、パリンドロミックなど）への拡張は今後の課題であると控えめに述べている。本アルゴリズムは、丸め誤差を除いて正確にランク $2r$ の多項式を生成するように設計されており、このような構造化された低ランク近似が必要とされる制御理論、システム同定、および微分代数方程式解析のための実用的なツールとして設計されている。