모두를 위한 컨벡스 최적화

03-02 Operations that preserve convexity

이 절에서는 convex function 의 convexity를 유지하는 연산에 대해 살펴본다. Convex function의 Convexity를 유지하는 연산에는 다음과 같은 것들이 있다.

  • Nonnegative linear combination
  • Composition (Affine/General/Vector)
  • Pointwise maximum and supremum
  • Minimization function
  • Perspective function

Nonnegative linear combination

Convex 함수는 상수곱과 덧셈에 대하여 아래와 같은 성질을 가진다.

• Convex 함수 \(f\)가 존재할 때, 여기에 음수가 아닌 임의의 수를 곱하여도 여전히 함수 \(f\)는 Convex 이다.

\(f\) is convex \(\Rightarrow \alpha f\) is convex

• Convex인 두 함수(\(f_1, f_2\))이 존재할 때, 이 두 함수를 합하여도 그 결과는 여전히 convex 이다.

\(f_1, f_2\) are convex \(\Rightarrow f_1 + f_2\) is convex

• Convex \(f_1, ..., f_m\)에 음수가 아닌 \(\alpha\)에 대한 선형 조합 \(\alpha_1f_1 + \cdots + \alpha_nf_n\)은 convex 이다.

\(f_1, ..., f_n\) are convex \(\Rightarrow \alpha_1f_1 + \cdots + \alpha_nf_n\) is convex, \(\alpha_1, ..., \alpha_n \ge 0\)

Composition

1. Affine composition

함수 \(f\)가 convex 이면 \(f(Ax + b)\) 또한 convex 이다.

\(f\) is convex \(\Rightarrow f(Ax + b)\) is convex

2. General composition

\(n\)차원에서 1차원으로 매핑하는 함수 \(g\)와 1차원에서 1차원으로 매핑하는 함수 \(h\)가 있다고 가정하자.
이 두 함수의 합성함수 \(f(x)=h(g(x))\)는 다음의 경우 convex이거나 concave 이다.

composition of \(g:\mathbb{R}^n \mapsto \mathbb{R}\) and \(h:\mathbb{R}\mapsto \mathbb{R}\):
\(f(x)=h(g(x))\)

• \(g\)가 convex이고 \(h\)가 convex이며 \(h\)가 감소하지 않으면 (nondecreasing) \(f\)는 convex 이다.
• \(g\)가 concave이고 \(h\)가 convex이며 \(h\)가 증가하지 않으면 (nonincreasing) \(f\)는 convex 이다.
• \(g\)가 concave이고 \(h\)가 concave이며 \(h\)가 감소하지 않으면 (nondecreasing) \(f\)는 concave 이다.
• \(g\)가 convex이고 \(h\)가 concave이며 \(h\)가 증가하지 않으면 (nonincreasing) \(f\)는 concave 이다.

[note]

extended-value extension \({h}\)에 대한 단조성(monotonicity)은 반드시 유지되어야 한다.

Example

• \(g\)가 convex이면, \(\exp g(x)\)는 convex 이다.
• \(g\)가 concave이고 positive 하면, \(1/g(x)\)는 convex 이다.

3. Vector composition

\(n\)차원에서 \(k\) 차원으로 매핑하는 함수 \(g\)와 다시 \(k\)차원에서 1차원으로 매핑하는 함수 \(h\)가 있다고 가정하자.
그러면 이 두 함수의 합성함수 \(f(x)=h(g(x))=h(g_1(x),g_2(x),...,g_k(x))\)는 다음의 경우 convex 이거나 concave 이다.

composition of \(g:\mathbb{R}^n\mapsto\mathbb{R}^k\) and \(h:\mathbb{R}^k\mapsto\mathbb{R}\):
\(f(x)=h(g(x))=h(g_1(x),g_2(x),...,g_k(x))\)

• \(g\)가 convex이고 \(h\)는 convex 일때, \(h\)가 각 인수에 대해 감소하지 않으면, \(f\)는 convex 이다.
• \(g\)가 convex이고 \(h\)는 concave 일때, \(h\)가 각 인수에 대해 증가하지 않으면, \(f\)는 concave 이다.

Example

• \(g_i\)가 concave이고 positive 하면, \(\sum_{i=1}^{m} \log g_i(x)\)는 concave 이다.
• \(g_i\)가 convex 이면, \(\log \sum_{i=1}^{m} \exp g_i(x)\)는 convex 이다.

Pointwise maximum and supremum

함수의 Pointwise maximum은 다음과 같이 정의 되며, 이는 convex이다.

1. Pointwise maximum

\(f_1, f_2\) are convex functions \(\Rightarrow f(x) = \max \{ f_1(x), f_2(x) \}, dom f = dom f_1 \cap dom\) is convex

2. Pointwise supremum

만약 \(f (x, y)\)가 각각의 \(y \in A\) 에 대하여 \(x\)에 볼록하다면, \(g(x) = sup_{y\in A} f(x, y)\) 는 convex 이다.

\(f(x, y)\) is convex in \(x\) for each \(y \in A\)
\(\Rightarrow g(x) = \sup_{y\in A} f(x, y)\) with \(\text{dom } g = \{x | (x, y) \in \text{dom} f \text{ for all } y \in A, \sup < \infty \}\) is convex in \(x\)

Minimization

Convex function의 임의의 함수족들의 minimum과 infimum은 convex function 이다.

\(f\) is convex in \((x, y) \Rightarrow g(x)=\inf_{y\in C} f(x,y)\) with \(dom\) \(g = \{ x | (x, y) \in dom\) \(f\) for some \(y \in C \}\) is convex in \(x\)
\(C\): A convex set

Example

• \(f(x,y)=x^TAx+2x^TBy+y^TCy\) with

\(\begin{bmatrix} A & B \\\ B^T & C \end{bmatrix} \succeq 0,\) \(C \succ 0\)

minimizing over \(y\) gives \(g(x)=\inf_y f(x,y)=x^T(A−BC^{−1}B^T)x\) \(g\) is convex, hence Schur complement \(A−BC^{−1} B^T \succeq 0\)

• distance to a set : \(dist(x,S)= \inf_{y \in S} \| x−y \|\) is convex if \(S\) is convex

Perspective

함수 \(f: \mathbb{R}^n \rightarrow \mathbb{R}\) 가 convex \(\Rightarrow\) the perspective of \(g: \mathbb{R}^{n+1} \mapsto \mathbb{R}\) 연산은 convexity를 유지 시키는 함수이다.

함수 \(f: \mathbb{R}^n \mapsto \mathbb{R}\)의 perspective 함수 \(g: \mathbb{R}^n×\mathbb{R} \mapsto \mathbb{R}\)는,

\(g(x,t) = tf({x \over t}), \text{dom} g = \{(x,t) | {x \over t} \in \text{dom} f, t>0 \}\)
일때, 함수 \(f\)가 convex 이면 \(g\)또한 convex 이다.

Example

•\(t\)가 양수일때, \(g(x,t)=x^Tx/t\)는 convex면, \(f(x)=x^Tx\)는 convex이다.

• Negative logarithm
Relative entropy \(g(x,t) =t\log t − t\log x\)가 \(\mathbb{R}_{++}^2\)에서 convex 일때, \(f(x)=−\log x\)는 convex 이다.

• \(f\)가 convex이면, \(g(x)=(cTx+d)f((Ax+b)/(cTx+d))\)는 아래와 같은 조건에서 convex이다.

\[\{x \vert c^Tx+d>0, (Ax+b)/(c^Tx+d) \in \text{dom} f\}\]