[論文レビュー] A Radial Basis Function Approximation for Large Datasets

Zuzana Majdisova, Václav Skala|arXiv (Cornell University)|Jun 6, 2018

Electromagnetic Scattering and Analysis参考文献 10被引用数 5

ひとこと要約

本稿では、d次元空間内の大きな散在データセットに対して、ブロック分割および対称性を考慮した径路基底関数（RBF）近似手法を提案する。行列の対称性を活用し、システムを管理可能なブロックに分割することで、メモリ使用量を削減し、スワッピングを回避する。これにより、特にWendlandのϕ₃,₁などのコンパクトサポートRBFを用いる場合に、性能と精度が向上する大規模データセットにおける効率的な計算が可能になる。

ABSTRACT

Approximation of scattered data is often a task in many engineering problems. The Radial Basis Function (RBF) approximation is appropriate for large scattered datasets in d-dimensional space. It is non-separable approximation, as it is based on a distance between two points. This method leads to a solution of overdetermined linear system of equations. In this paper a new approach to the RBF approximation of large datasets is introduced and experimental results for different real datasets and different RBFs are presented with respect to the accuracy of computation. The proposed approach uses symmetry of matrix and partitioning matrix into blocks.

研究の動機と目的

• 高次元空間における大規模な散在データセットに対するRBF近似における計算およびメモリのボトル neck を解決すること。
• 大規模データに対するRBF計算中に発生するシステムスワッピングを回避し、メモリ使用量を低減すること。
• 近似精度を損なわせることなく、計算効率を向上させること。特に、密度が高くまたはノイズの多いデータセットに対して有効であることを目的とする。
• 実世界の地形データに対して、グローバルRBFとコンパクトサポートRBF（例：ガウス関数とWendlandのϕ₃,₁）の性能と精度を評価すること。
• LiDARデータにおける植生などのノイズ要因や境界効果が、RBF近似誤差に与える影響を調査すること。

提案手法

• 本手法は、N個のデータポイントとM個の基準ポイント間の距離から構築される行列Aを用いて、RBF近似を過決定線形システムA c = hとして定式化する。
• 行列の対称性を活用し、カーネル行列の上三角または下三角部分のみを計算することで、重複計算を削減する。
• システム行列をブロックに分割することで、因子分解および解法処理中に発生するメモリ使用量の増加とスワッピングを管理する。
• ブロック単位のアプローチにより、部分行列を独立して処理できるため、現代のマルチコアアーキテクチャに適した大規模データセットにおける効率的計算が可能になる。
• 本手法は、グローバルRBF（例：ガウス関数）とコンパクトサポートRBF（例：Wendlandのϕ₃,₁）の両方を用い、精度を最適化するための形状パラメータを調整する。
• 実装はMATLABを用い、32GB RAMを搭載したハイエンドPCでテストを行い、パフォーマンス評価のためブロックサイズを25×25から125×125の範囲で変更した。

実験結果

リサーチクエスチョン

• RQ1 行列の対称性とブロック分割を用いることで、大規模RBF近似におけるメモリ使用量を顕著に削減し、スワッピングを回避できるか？
• RQ2 ブロックサイズを変化させた場合、大規模データセットにおけるブロック分割RBF近似のパフォーマンスはどのようにスケーリングするか？
• RQ3 コンパクトサポートRBF（例：Wendlandのϕ₃,₁）を用いることで、実地形データにおいてグローバルRBF（例：ガウス関数）よりも高い精度が得られるか？
• RQ4 LiDARデータにおける植生などのノイズ要因が、RBF近似誤差に及ぼす影響はどの程度か？
• RQ5 境界効果がRBF近似の精度に与える影響は何か？また、本手法はその影響を軽減できるか？

主な発見

• ブロック分割および対称性を考慮したRBF手法は、10,000個の基準ポイントを含むような大規模データセットにおいても、スワッピングを回避し、効率的な計算を実現した。
• Serpent Moundデータセットでは、Wendlandのϕ₃,₁ RBFがガウスRBFよりも顕著に低い平均絶対誤差（0.2289 ft）を達成した。
• Mount Saint Helensデータでは、Wendlandのϕ₃,₁を用いた平均相対誤差が0.0023%であったのに対し、ガウスRBFでは0.0087%であった。これは、局所的RBFが優れた精度を示していることを示している。
• 最大の近似誤差は物体の境界で発生し、これはRBF手法の既知の制限である。また、LiDARデータにおける植生などのノイズが、この誤差を悪化させた。
• パフォーマンスはブロックサイズが約100×100の周辺でピークを示した。小さなブロックではオーバーヘッドが高く、大きなブロックではメモリスワッピングが発生し、実行時間が増加した。
• 本手法は、コンパクトサポートRBFがデータ密度の変動に対してより頑健であり、グローバルRBFよりも鋭い特徴をよりよく保持できることを示した。