[論文レビュー] Gromov-Hausdorff Approximation of Metric Spaces with Linear Structure

Frédéric Chazal, Jian Sun|arXiv (Cornell University)|May 6, 2013

Topological and Geometric Data Analysis参考文献 26被引用数 4

ひとこと要約

本稿では、Gromov-Hausdorff近似を用いて、離散的な距離空間データから、メトリックグラフとしてモデル化されたフィラメント状メトリック構造を再構築する手法を提案する。本稿では、計算的に効率的なReebグラフの変種としてα-Reebグラフを導入し、再構築されたメトリックグラフが元の空間を有界な歪みで近似することを証明しており、理論的保証は目的のグラフのベッチ数および辺長分布に依存する。

ABSTRACT

In many real-world applications data come as discrete metric spaces sampled around 1-dimensional filamentary structures that can be seen as metric graphs. In this paper we address the metric reconstruction problem of such filamentary structures from data sampled around them. We prove that they can be approximated, with respect to the Gromov-Hausdorff distance by well-chosen Reeb graphs (and some of their variants) and we provide an efficient and easy to implement algorithm to compute such approximations in almost linear time. We illustrate the performances of our algorithm on a few synthetic and real data sets.

研究の動機と目的

• 1次元のフィラメント状構造（例：道路網や地質的断層）をサンプリングしたデータに対するメトリック再構築問題に対処すること。
• Gromov-Hausdorff距離に基づくメトリックグラフを用いて、このような構造を証明可能な正確な近似で再構築すること。
• 標準的なReebグラフが離散的・非測地的データにおいて抱える限界を克服するため、計算的および理論的利点を持つα-Reebグラフを導入すること。
• ユークリッド埋め込みを必要とせずに、点群データからメトリックグラフを効率的かつほぼ線形時間で再構築できること。
• GPSトレース解析などの応用において、特に方向性情報とメトリック構造を保持できること。

提案手法

• 離散的なデータポイントから局所的な距離を用いて近傍グラフを構築し、その後最短経路距離を計算して測地的空間を近似する。
• 根点からの距離関数に基づく、近傍グラフ上で定義されるReebグラフの変種としてのα-Reebグラフを導入し、計算に適した形にしている。
• α-Reebグラフは、スケーラブルかつロバストなデータのトポロジカル抽象化を可能にするMapperアルゴリズムを用いて計算される。
• 入力メトリック空間と再構築されたα-Reebグラフの間のGromov-Hausdorff距離の境界を理論的に確立する。
• 距離関数の根点への距離を保ちつつ、他の距離を収縮させる1-Lipschitz商写像を用い、メトリック歪みを最小化する。
• 連続するGPSポイントを高次元ベクトルに積み重ねることで、方向性データを処理し、交通流や交差構造を保持する。

実験結果

リサーチクエスチョン

• RQ1 フィラメント状構造からサンプリングされた離散的メトリック空間は、Gromov-Hausdorff距離の意味で、メトリックグラフとして正確に再構築可能か？
• RQ2 Reebグラフは、離散的・非測地的データ上で効率的かつ安定した計算を可能にするように、どのように変更可能か？
• RQ3 入力空間と再構築されたメトリックグラフの間のGromov-Hausdorff誤差の理論的上限は何か？
• RQ4 アルゴリズムは、GPSトレースから道路網の交差構造といった方向性およびトポロジカル特徴を保持可能か？
• RQ5 根点の選択が再構築におけるメトリック歪みにどのように影響するか？

主な発見

• 入力空間 $X$ と再構築されたα-Reebグラフ $G$ 間のGromov-Hausdorff距離は、$d_{GH}(X,G) < 2(\beta_1(G)+1)(17 + 8N_{E,G'}(8\bar{\varepsilon}))\varepsilon$ で有界であり、ここで $N_{E,G'}(8\varepsilon)$ は目的のグラフ内の短い辺の数を表す。
• 目的のメトリックグラフのすべての辺が $8\varepsilon$ より長い場合、境界は $d_{GH}(X,G) < 34(\beta_1(G)+1)\varepsilon$ に簡略化され、明確な近似保証が得られる。
• アルゴリズムはほぼ線形時間で実行され、GPSトレースのような大規模幾何データにスケーラブルである。
• 合成および実際のGPSデータから、ハイウェイの交差構造が正しく再構築され、高次元への方向性の積み重ねにより、道路の非交差トポロジが保持されている。
• 再構築されたα-Reebグラフは、合成および実世界のデータセットの両方で、下位のフィラメント状ネットワークのトポロジとメトリック構造を正確に捉えている。
• 理論的解析により、パーシステントホモロジーを用いることで、下位メトリックグラフの第一ベッチ数をデータから同定可能であることが示され、トポロジカル整合性の可能性が示唆されている。