[論文レビュー] Low-Rank Methods in Event Detection.

Jakub Mareček, Stathis Maroulis+2 more|arXiv (Cornell University)|Feb 10, 2018

Sparse and Compressive Sensing Techniques参考文献 27被引用数 4

ひとこと要約

本稿では、ストリーミングデータにおける異常イベントを検出するため、区間不確実性下での低ランク行列補完手法を提案する。通常の観測値が低ランク部分空間に位置するとモデル化し、$šinfty$ ノルムにおける $ε$-有界片側誤差の定数時間 $π$-距離クエリを用いることで、理論的誤差バウンドを伴う効率的なオンラインイベント検出を可能にする。

ABSTRACT

We present low-rank methods for event detection. We assume that normal observation come from a low-rank subspace, prior to being corrupted by a uniformly distributed noise. Correspondingly, we aim at recovering a representation of the subspace, and perform event detection by running point-to-subspace distance query in $\ell^\infty$, for each incoming observation. In particular, we use a variant of matrix completion under interval uncertainty on a suitable flattening $M \in R^{m imes n}$ of the input data to obtain a low-rank model $M \approx L imes R$, $L \in R^{m imes r}$, $R \in R^{r imes n}$, $r \ll m$. On-line, we compute the distance of each incoming $x \in R^n$ to the space spanned by $R$. For the distance computation, we present a constant-time algorithm with a one-sided error bounded by a function of the number of coordinates employed.

研究の動機と目的

• 通常の観測値を低ランク部分空間に位置するとモデル化することで、ストリーミングデータにおける異常イベントを検出すること。
• 区間不確実性下での行列補完を用いて、入力データの低ランク表現を回復すること。
• $šinfty$ ノルムにおける部分空間への点からの距離クエリを高速に実行することで、効率的なオンラインイベント検出を可能にすること。
• 使用する座標数の関数によって有界な片側誤差を持つ定数時間アルゴリズムを距離計算に提供すること。
• 計算効率を維持しつつ、距離計算における理論的誤差バウンドを保証すること。

提案手法

• 低ランクモデリングを可能にするために、入力データを行列 $M \in \mathbb{R}^{m \times n}$ にフラット化する。
• 区間不確実性下での行列補完の変種を適用し、$r \ll m$ を満たす低ランク要因 $L \in \mathbb{R}^{m \times r}$ と $R \in \mathbb{R}^{r \times n}$ を推定する。
• 右因子行列 $R$ を用いて、通常データが張る低ランク部分空間を表現する。
• 各到着観測値 $x \in \mathbb{R}^n$ に対して、$R$ が張る部分空間からの距離を $šinfty$ ノルムで計算する。
• 使用する座標数の関数によって有界な片側誤差を持つ定数時間アルゴリズムを距離クエリに実装する。
• 区間不確実性の構造を活用し、観測値における一様分布ノイズに対して耐性を持つようにする。

実験結果

リサーチクエスチョン

• RQ1 区間不確実性下での低ランク行列補完は、イベント検出における通常データ行動を効果的にモデル化できるか？
• RQ2 オンライン設定において、$šinfty$ ノルムにおける部分空間への点からの距離を、効率的かつ誤差バウンド付きで計算できるか？
• RQ3 低ランク表現を用いたリアルタイムイベント検出において、計算効率と誤差精度のトレードオフはいかなるものか？
• RQ4 $šinfty$ 距離クエリに対して、片側誤差が有界な定数時間アルゴリズムを低ランク部分空間で設計できるか？
• RQ5 データに一様分布ノイズが存在する場合、この手法はどの程度の性能を示すか？

主な発見

• 提案手法は、使用する座標数の関数によって有界な片側誤差を持つ $šinfty$ ノルムにおける定数時間距離クエリを用いて、オンラインイベント検出を達成する。
• 区間不確実性下での行列補完により、低ランクモデル $M \approx L \times R$ が回復され、一様分布ノイズに対して耐性を持つことが保証される。
• 完全な特異値分解や反復的更新を回避することで、事前に計算された $R$ を用いて高速なクエリを維持する計算効率性を確保する。
• 誤差バウンドは理論的に正当化されており、距離計算に関与する座標数にのみ依存する。
• 低ランク構造と効率的な距離計算を活用することで、高次元ストリーミングデータにおけるスケーラブルな検出を実現する。
• 観測値が一様ノイズで汚されている場合でさえも、低ランク部分空間からの逸脱としてイベントを効果的に検出できる。