[論文レビュー] Learning Graph-Structured Sum-Product Networks for Probabilistic Semantic Maps

Kaiyu Zheng, Andrzej Pronobis+1 more|arXiv (Cornell University)|Sep 24, 2017

Advanced Graph Neural Networks被引用数 12

ひとこと要約

本稿では、サイズが変動し、ノイズが多い依存関係を示す複雑で動的なグラフ構造データをモデル化するための確率的ディープラーニングフレームワーク、Graph-Structured Sum-Product Networks (GraphSPNs) を提案する。部分グラフ上のテンプレートSPN分布を学習し、推論のための混合モデルを構築することで、大規模なロボットスケールの意味的マップにおけるノイズの多いトポロジカル関係から意味的場所属性を曇りなく特定する際、従来のマルコフ確率場（MRFs）を上回り、ノイズレベルが極めて高い状況下でも最大67.58%の正確性を達成する。

ABSTRACT

We introduce Graph-Structured Sum-Product Networks (GraphSPNs), a probabilistic approach to structured prediction for problems where dependencies between latent variables are expressed in terms of arbitrary, dynamic graphs. While many approaches to structured prediction place strict constraints on the interactions between inferred variables, many real-world problems can be only characterized using complex graph structures of varying size, often contaminated with noise when obtained from real data. Here, we focus on one such problem in the domain of robotics. We demonstrate how GraphSPNs can be used to bolster inference about semantic, conceptual place descriptions using noisy topological relations discovered by a robot exploring large-scale office spaces. Through experiments, we show that GraphSPNs consistently outperform the traditional approach based on undirected graphical models, successfully disambiguating information in global semantic maps built from uncertain, noisy local evidence. We further exploit the probabilistic nature of the model to infer marginal distributions over semantic descriptions of as yet unexplored places and detect spatial environment configurations that are novel and incongruent with the known evidence.

研究の動機と目的

• 場所間のトポロジカル関係がノイズが多く動的で、構造が変化するロボティクス分野における構造的予測の課題に対処すること。
• 任意のグラフサイズと複雑な依存関係を扱えるが、固定された構造的制約を持たない、スケーラブルで扱いやすい確率的モデルの開発。
• 不確実な局所的証拠から導かれる周辺分布を用いて、未探索場所の意味的属性に対する頑健な推論を可能にすること。
• 確率的モデルからの尤度スコアを用いて、新奇または整合性のない空間的構成を検出すること。
• 将来的なグラフ構造モデリング研究のため、不確実性とノイズレベルが変動するトップロジカルグラフのベンチマークデータセットを提供すること。

提案手法

• GraphSPNsは、任意の複雑さの部分グラフの属性に関する分布を表すテンプレートSPNモデルを学習する。
• 入力グラフに対して、GraphSPNsはグラフを複数の部分グラフに分解し、それぞれに対応するテンプレートSPNをインスタンス化することで混合モデルを構築する。
• Sum-Product Networks (SPNs) の理論的性質を活用することで、高木幅グラフに対しても扱いやすく正確な推論を可能にする。
• 高次元データから文脈に特化した独立性を学習するため、意味的属性の局所的証拠上でエンドツーエンドでモデルを訓練する。
• 尤度に基づく新奇または整合性のない構成の検出は、変数ごとの尤度を正規化し、しきい値を設定することで実施する。
• 本アプローチは、局所的証拠の任意の分布と互換性があり、階層的空間推論に他のSPNベースのモデルと自然に統合できる。

実験結果

リサーチクエスチョン

• RQ1 GraphSPNsは、動的で現実のロボットデータから構築された大規模でノイズの多い意味的マップにおいて、効果的に意味的属性をモデル化・推論できるか？
• RQ2 同じ不確実でノイズの多い証拠で訓練された場合、GraphSPNの性能は従来のMRFsと比べてどの程度か？
• RQ3 矛盾するまたは誤った局所的証拠が存在する状況でも、GraphSPNは周辺分布を用いて信頼性の高い信頼性信号（信頼性スコア）を生成できるか？
• RQ4 GraphSPNは、尤度スコアを用いてどの程度、新奇または整合性のない空間的構成を検出できるか？
• RQ5 GraphSPNフレームワークは、構造とノイズレベルが異なるさまざまな環境に一般化して適用可能か？

主な発見

• Freiburgデータセットにおいて、ノイズレベル4の条件下でGraphSPNは67.58%の正確性を達成し、同じ条件下でMRF-2（28.32%）とMRF-3（28.71%）を大きく上回った。
• 局所的証拠のない未探索場所において、ストックホルムデータセットでノイズレベル2の条件下で67.57%の正確性を達成し、優れた一般化性能と周辺推論能力を示した。
• 局所的証拠が誤りであった場合、GraphSPNはほぼ一様な周辺分布を生成し、ノイズの多い状況下でも信頼性の高い信頼性推定が可能であることを示した。
• ROC曲線のAUCが高い水準で新奇空間構成を検出でき、ノイズのない理想状態ではMRFよりわずかに優れていたが、実際のノイズを含む状況でもMRFと同等の性能を示した。
• モデルは、不確実でノイズの多いトポロジカル関係のみを用いて意味的属性を曇りなく特定でき、現実のロボット探索シナリオにおける頑健性を実証した。
• 著者らは、不確実性とノイズレベルが変動するトップロジカルグラフの新しいベンチマークデータセットを公開し、将来的なグラフ構造モデリング手法の評価を支援した。