[論文レビュー] Inverting the signature of a path

Terry Lyons, Weijun Xu|arXiv (Cornell University)|Jun 30, 2014

Topological and Geometric Data Analysis参考文献 16被引用数 6

ひとこと要約

本稿では、ℝᵈ 内の C¹ 細路の符号の逆転を構成的に解くアルゴリズムを提示する。対称化と多スケール解析を用いて、符号から元の細路を再構成する。この手法は、元の細路に対して ηₖ のリプシッツ近似を達成し、誤差は使用された符号項の数と微分のモジュラス連続性の観点で定量化される。

ABSTRACT

The aim of this article is to develop an explicit procedure that enables one to reconstruct any $C^1$ path (at natural parametrization) from its signature. We also explicitly quantify the distance between the reconstructed path and the original path in terms of the number of terms in the signature that are used for the construction and the modulus of continuity of the derivative of the path. A key ingredient in the construction is the use of a procedure of symmetrization that separates the behavior of the path at small and large scales.

研究の動機と目的

• 先行の一意性結果が非構成的であるのを克服し、符号から C¹ 細路を再構成する明示的でアルゴリズム的な手順を開発すること。
• 使用された符号項の数と細路の微分の正則性の観点で、再構成誤差を定量化すること。
• 新しい対称化手順を用いて、細路の小スケールと大スケールの挙動を分離し、グローバルな符号データから局所的再構成を可能にすること。
• 2次元から一般の d 次元細路への逆転フレームワークの拡張を図り、安定性と明示的な誤差境界を維持すること。

提案手法

• 異なるスケールからの寄与を分離できるように、符号項の対称化を用いて、局所的およびグローバルな細路特徴を分離する。
• 語の種別と方向重みに基づいて符号係数を集約する多スケール符号成分 𝒮²ⁿₖ(w,ℓ) および 𝒮²ⁿₖ,ₚ,ₚ(w,ℓ) を定義する。
• ρⱼ を用いた方向選択により、各時間部分区間 [j−1/k, j/k] における支配的細路方向を、符号係数の重み付き和に基づいて特定する。
• 各部分区間における方向の符号 aⱼⁱ を、符号比の符号一貫性を用いて回復する。
• 長さ推定値 L̃ をスケーリング因子として用い、k 段階の折れ線路 ζ として細路を再構成する。各セグメントの長さは 1/k で、方向は θⱼ = (aⱼⁱρⱼⁱ) である。
• 最小語長 m の最初の非ゼロ符号係数を用いた正規化により、全細路長 L̃ を推定する。

実験結果

リサーチクエスチョン

• RQ1 ℝᵈ 内の C¹ 細路は、有限次の符号データのみを用いて明示的に再構成可能か？
• RQ2 再構成誤差は使用された符号項の数と細路の微分の正則性にどのように依存するか？
• RQ3 どのような技術がグローバルな符号積分から局所的細路挙動を抽出できるか？
• RQ4 対称化を用いることで、符号逆転における小スケールと大スケールの細路特徴をどのように分離可能か？
• RQ5 微分のモジュラス連続性の観点で、再構成された細路の明示的誤差境界は何か？

主な発見

• 再構成アルゴリズムは、k ≥ 2d かつ十分に大きな k に対して定義可能であり、ηₖ < (m−1)!|Cγ(ŵ)| / (16(d+1)L^{m−1}) を満たす。ここで m は非ゼロ符号係数を持つ最小語長である。
• 再構成された細路 L̃ζ は、リプシッツノルムにおいて元の細路 γ に対して ηₖ 以内に近似され、ηₖ = δ(3εₖ) + L/√k で与えられる。ここで εₖ = √2(√((d−1)δ(1/k)/L) + 1/√k) である。
• 誤差境界は supᵢⱼᵤ |Ẍᵤⁱ − L̃aⱼⁱρⱼⁱ| < 8(d+1)(1 + 2Lᵐ/((m−1)!|Cγ(ŵ)|))ηₖ で与えられ、近似精度が明示的に定量化される。
• 本手法は、自然パrametrizationにおける C¹ 細路に対して安定な逆転を達成し、Ẍ のモジュラス連続性 δ に明示的な依存関係を示す。
• アルゴリズムは 2D の逆転手法を d ≥ 2 次元に一般化し、次元の増加にもかかわらず有効な誤差境界を維持する。
• 対称化手順により、符号におけるスケール依存寄与の有効な分離が可能となり、グローバルデータからの局所的再構成が現実可能となる。