Compensated Splitting For Generalized Lyapunov Equations

技術要約：一般化リアプノフ方程式に対する補償型スプリッティング（Compensated Splitting）

問題設定
本論文は、以下の一般化リアプノフ方程式の数値解法を取り扱っている：
$$AX + XA^H + \sum_{j=1}^m N_j X N_j^H + BB^H = 0,$$
ここで、$A, N_j \in \mathbb{C}^{n \times n}$ であり、$B \in \mathbb{C}^{n \times \ell}$ （ただし $\ell \ll n$）である。この方程式は、双線形および線形パラメータ変化システム（LPV）のモデル次数低減、線形確率微分方程式の安定性解析、および確率連続時間代数リカッチ方程式の線形化において発生する。

標準的なアプローチでは、線形作用素を $M(X) = AX + XA^H$ と $N(X) = -\sum_{j=1}^m N_j X N_j^H$ に自然なスプリッティングを行うが、これは標準的な不動点反復法（sFPI）へとつながる。sFPIの収束は、$\rho(M^{-1}N) < 1$ であることと必要十分条件である。$\rho(M^{-1}N) \ge 1$ の場合、標準的な反復は発散する。さらに、収束する場合であっても、スペクトル半径が1に近い場合、収束速度が極めて遅くなる可能性がある。また、$n$ が大きい場合には直接解法は $O(n^6)$ の計算量が必要となるため、実行不可能であり、反復法が必要となる。

手法
著者らは、反復作用素を修正し、結果として得られる反復行列のスペクトル半径を減少させることを目的とした**補償型スプリッティング（compensated splitting）スキームを提案している。その核心となるアイデアは、「重い」$N$ 部分を、補償項と残差項に分解することである：
$$-N(X) = (EX + XE^H) - \tilde{N}(X),$$
ここで、$E \in \mathbb{C}^{n \times n}$ は決定すべき行列である。これにより、新しいスプリッティングが得られる：
$$\tilde{M}(X) = M(X) + EX + XE^H = (A+E)X + X(A+E)^H,$$
$$\tilde{N}(X) = \tilde{N}(X) - BB^H.$$
結果として得られる補償型不動点反復法（cFPI）**は、各ステップにおいて $\tilde{M}(X_k) = \tilde{N}(X_{k-1}) - BB^H$ を解く。

最適な $E$ を決定するために、著者らは、元の $N$ 作用素と補償項の差のフロベニウスノルムを、 $E$ が大きくなりすぎるのを防ぐための正則化項を加えて最小化する最適化問題を定式化している：
$$\min_{E} \left( \left\| \sum_{j=1}^m N_j X N_j^H - (EX + XE^H) \right\|_F^2 + \mu \|EX + XE^H\|_F^2 \right),$$
ここで $\mu \ge 0$ は正則化パラメータである。

主な貢献および理論的結果

1. 最適な $E$ の導出： 本論文では、緩和された目的関数を最小化する最適な $E$ の閉形式解を導出している。その解は以下の通りである：
   $$E = \frac{1}{n(1+\mu)} \sum_{j=1}^m \text{tr}(\bar{N}_j) \left[ N_j - \frac{1}{2n}\text{tr}(N_j) \cdot I_n \right].$$
   著者らは、この最小化因子が実数の場合は一意であり、複素数の場合はフロベニウスノルムが最小となる一意の最小化因子であることを証明している。

2. アルゴリズムの実装： 提案された cFPI はアルゴリズム 2.1 に実装されている。主要な計算上の利点は、すべての内部リアプノフ方程式が同一の係数行列 $(A+E)$ を共有していることであり、これにより $(A+E)$ のシュア分解を反復ループの外側で一度だけ計算することができる。

3. 収束性の理論的分析： 著者らは、補償の有効性に与える $A$ の固有値分布の影響を分析している。$A$ が右半平面に固有値を持つ場合、補償 $E$（一般に固有値を右側にシフトさせる）はそれらを虚軸からさらに遠ざけ、$\tilde{M}$ の可逆性を向上させる可能性がある。逆に、$A$ が左半平面にある場合、シフトによって固有値がゼロに近づき、$\tilde{M}$ の条件数を悪化させる可能性があるが、反復作用素のスペクトル半径の減少が正味の利益をもたらす場合がある。

数値実験の結果
論文では、パラメータ $\xi$（$N_j$ の大きさを制御する）を変化させた条件下で、sFPI と cFPI を比較した3つの数値実験（実数ケース2つ、複素数ケース1つ）を提示している。

• 例1および例2（実数）： sFPI が発散するケース（スペクトル半径 $\ge 1$）において、cFPI は正常に収束した。sFPI が収束する場合でも、cFPI は一貫してより少ない反復回数と少ないCPU時間で済んだ。
• 固有値の感度： 実験は、固有値の配置に関する理論的観察を裏付けている。$A$ を $-A$ に置き換えた場合（固有値を右半平面へシフトさせた場合）、補償型スプリッティングは標準的なスプリッティングと比較して著しく小さいスペクトル半径を示し、大幅に高速な収束を実現した。
• 複素数のケース（例3）： 本手法は複素行列に対しても有効であり、sFPI に対する同様の優位性、すなわち sFPI が発散する場面でも収束できる能力を示した。
• 正則化パラメータ： 著者らは、実験において $\mu = 0$ と設定することが最良の結果をもたらしたと述べているが、$\mu$ を選択するための体系的な手法は依然として未解決の課題であることを認めている。

意義および主張
本論文は、補償型スプリッティング技術が、一般化リアプノフ方程式における標準的な不動点反復の発散に対する実用的な救済策となることを主張している。その主要な意義は以下の2点にある：

1. 発散の救済： 自然なスプリッティングが失敗するシナリオ（$\rho(M^{-1}N) \ge 1$）においても、不動点反復による収束を可能にする。
2. 加速： 標準的な手法がすでに収束しているものの、速度が遅い場合に、その収束を加速させる。

著者らは、本研究ではこのアイデアを高度な部分空間投影技術（クリロフ法など）と組み合わせることはせず、不動点反復の枠組みのみに焦点を当てていることを明示している。彼らは、この補償戦略を最新の部分空間法と組み合わせることが、将来の研究方向であると示唆している。論文は、現在の $E$ の導出は $M$ 部分を明示的に考慮していないものの、数値的な証拠は本手法が堅牢かつ効果的であり、特に $A$ の固有値が右半平面にある場合に有効であることを示している、と控えめに結論づけている。