最大化代数连通性的代数连通性放大技术：实用与高效改进

长期基于图的状态估计仍面临挑战，因为现有图估计方法在大规模长期图上扩展不佳。为此，本工作推进了当前最先进的图稀疏化算法之一，即最大化代数连通性 (MAC)，该方法通过最大化代数连通性来保存估计性能，代数连通性是与估计误差直接相关的谱图性质。然而，MAC 对于在线使用仍然计算上昂贵，且需要用户手动指定保持连通性的边集。我们的贡献沿着三个互补的方向缩小了这些差距：我们开发了用于代数连通性的专用求解器，平均可实现 2 倍运行速度提升；我们研究了 MAC 优化过程中高级步长策略，以提升收敛速度与解的质量；我们提出了自动方案，无需手动指定边即可保证图的连通性。总体而言，这些贡献使 MAC 更加可扩展、可靠，适用于实时估计应用。