[論文レビュー] Maximum Persistency in Energy Minimization

Alexander Shekhovtsov|arXiv (Cornell University)|Apr 14, 2014

Constraint Satisfaction and Optimization参考文献 21被引用数 5

ひとこと要約

本稿は、改善写像の多項式時間検証可能な線形緩和を活用して、離散エネルギー最小化問題における恒続的（最適）部分割り当てを同定するための新しい十分条件を導入する。この手法は、QPBO、DEE、MQPBOといった既存手法を一般化し、特別に設計された線形計画法によりより大きな最適部分割り当てを可能にするとともに、窓技法を用いて大規模問題へのスケーラビリティを実現する。

ABSTRACT

We consider discrete pairwise energy minimization problem (weighted constraint satisfaction, max-sum labeling) and methods that identify a globally optimal partial assignment of variables. When finding a complete optimal assignment is intractable, determining optimal values for a part of variables is an interesting possibility. Existing methods are based on different sufficient conditions. We propose a new sufficient condition for partial optimality which is: (1) verifiable in polynomial time (2) invariant to reparametrization of the problem and permutation of labels and (3) includes many existing sufficient conditions as special cases. We pose the problem of finding the maximum optimal partial assignment identifiable by the new sufficient condition. A polynomial method is proposed which is guaranteed to assign same or larger part of variables than several existing approaches. The core of the method is a specially constructed linear program that identifies persistent assignments in an arbitrary multi-label setting.

研究の動機と目的

• 完全最適化が非効率なNP困難なエネルギー最小化問題において、最適部分割り当てを同定する課題に対処すること。
• ラベル順列および問題の再パrameter化に対して不変であり、検証可能な統一的な部分最適性の十分条件を構築すること。
• 線形計画法を用いて最大恒続性問題（保証された最適割り当てを持つ変数の最大集合を求める問題）を定式化および解釈すること。
• 局所的サブ問題を反復的に処理する窓技法を用いて、大規模問題へのスケーラビリティを実現すること。
• QPBO、DEE、MQPBOなどの既存手法を、より強い理論的保証を持つ共通の理論的枠組みで一般化すること。

提案手法

• 改善写像の線形拡張に基づく部分最適性の新しい十分条件を提案し、この条件が緩和解における最適性を保つことを保証する。
• 緩和されたラベル割り当て上でエネルギー改善性を検証することで、恒続的ラベル割り当てを同定する特別に設計された線形計画法（LP）を構築する。
• サイズ ≤10^4 個の変数／制約を持つ局所的サブ問題（窓）のみを処理する窓戦略を導入し、大規模グラフへのスケーラビリティを実現する。
• 重複する窓からの局所的改善写像の合成を用いてグローバルな部分割り当てを構築し、合成順序が弱い部分最適性を保持することを保証する。
• 窓技法を適用することで計算コストを低減し、既存技術（例：MQPBO、Kovtunの補助部分単調問題）と統合する。
• 埋め込み空間の拡張と局所的ポリトープ緩和の厳密化により、高次エネルギー関数へのフレームワークの一般化を実現する。

実験結果

リサーチクエスチョン

• RQ1 ラベル順列および問題の再パrameter化に対して不変であり、既存手法を一般化できる検証可能な統一的十分条件を部分最適性に開発できるか？
• RQ2 この新しい条件下で、恒続的変数の最大集合を求める問題は多項式時間で解けるか？
• RQ3 スパースグラフにおける完全なLP緩和が非現実的である大規模問題に、この手法をスケーラブルに適用できるか？
• RQ4 QPBO、DEE、MQPBOといった既存手法と比較して、性能およびカバー範囲においてどのように差がつくか？
• RQ5 窓技法を用いることで、従来非効率であった手法（例：MQPBO）を大規模ビジョン問題に応用できる範囲はどの程度か？

主な発見

• 提案手法は、QPBO、DEE、MQPBOといった既存手法と同等以上、多くの場合顕著に多い恒続的変数を同定することを保証する。
• 窓技法により、完全なLP緩和が計算的に非現実的な大規模問題（例：crops-small、fourcolors）に対しても本手法を適用可能にする。
• 実験では、局所的窓処理による反復的問題縮小により、大規模インスタンスでほぼ完全な解に到達できることを示している。
• 本手法は、部分単調緩和やルーフ双対性に基づく既存手法を、単一の理論的枠組みで一般化している。
• 厳密（強い）恒続性条件は、弱い条件よりも強力であり、厳密条件下ではより広いクラスの写像が多項式時間で解けることが示された。
• 埋め込み空間の拡張と局所的ポリトープ緩和の厳密化により、高次エネルギー関数に対しても本手法を適用可能である。