[論文レビュー] Metrics for Probabilistic Geometries

Alessandra Tosi, Søren Hauberg+2 more|RECERCAT (Consorci de Serveis Universitaris de Catalunya)|Nov 27, 2014

Human Motion and Animation参考文献 29被引用数 30

ひとこと要約

本稿では、ガウス過程に基づく潜在変数モデルの期待ヤコビ行列から導かれるリーマン計量を提案し、潜在空間における測地線路を定義することで、直線的なオイラー距離よりもより正確な補間を実現する。この手法は、モデルの不確実性を考慮し、高不確実性領域では距離を長くすることで、特にモーショントラックシーケンスのような非線形多様体において、より現実的なデータ生成と再構成を可能にする。

ABSTRACT

We investigate the geometrical structure of probabilistic generative dimensionality reduction models using the tools of Riemannian geometry. We explicitly define a distribution over the natural metric given by the models. We provide the necessary algorithms to compute expected metric tensors where the distribution over mappings is given by a Gaussian process. We treat the corresponding latent variable model as a Riemannian manifold and we use the expectation of the metric under the Gaussian process prior to define interpolating paths and measure distance between latent points. We show how distances that respect the expected metric lead to more appropriate generation of new data.

研究の動機と目的

• 非線形確率的モデルの潜在空間におけるオイラー距離の限界を解消すること。これは、非現実的な補間を引き起こすことがある。
• データ多様体の内在的幾何を尊重する、意味のある距離および最短路（測地線）の定義を潜在空間で行うこと。
• ガウス過程事前分布の下で計量テンソルの期待値を計算することにより、潜在空間計量にモデルの不確実性を組み込むこと。
• 期待計量の下での測地線が、合成および実世界データの両方において、直線的補間よりもより現実的な補間をもたらすことを示すこと。
• 観測空間から導かれるリーマン構造を潜在空間に与えることで、統計的操作（分類、トラッキングなど）が意味を持つフレームワークを提供すること。

提案手法

• 本稿では、潜在変数モデル（LVM）を、潜在空間から観測空間への非線形写像のヤコビアンから計量テンソルの分布を導出し、リーマン多様体としてモデル化する。
• 写像関数にガウス過程事前分布を適用し、計量テンソルの期待値を計算することで、潜在空間に確率的かつ不確実性を考慮したリーマン構造を実現する。
• 期待計量を用いて境界値問題を数値的に解き、測地線路を計算することで、直線的補間の代わりに曲率制限付きでデータに整合する軌道を実現する。
• 写像関数のヤコビアンを用いて、観測空間からリーマン計量を潜在空間へと逆伝播させ、幾何的一致性を保持する。
• このフレームワークはGP-LVMに適用され、期待計量が事後分布の不確実性に依存するため、高不確実性領域を通過するパスが自然にペナルティを受ける。
• モーショントラックおよび画像回転データにおいて、測地線補間と直線的補間の再構成品質および物理的妥当性を比較することで、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 確率的非線形次元削減モデルの潜在空間における自然な補間は何か。それは直線とはどのように異なるか。
• RQ2 潜在空間から観測空間への写像が非線形的かつ等長でない場合、潜在空間におけるオイラー距離は意味を持つのか。
• RQ3 潜在空間の写像における不確実性を、補間および距離測定に影響を与える幾何構造にどのように組み込むことができるか。
• RQ4 ガウス過程事前分布の下での期待計量テンソルを用いて、より現実的なデータ補間をもたらす測地線を定義できるか。
• RQ5 期待リーマン計量は、標準的な潜在空間操作と比較して、データ生成および再構成をどのように改善するか。

主な発見

• 期待リーマン計量の下での測地線補間は、回転した数字やモーショントラックシーケンスのような非線形多様体において、直線的補間よりもより現実的なデータ再構成をもたらす。
• 測地線を用いた場合、補間されたモーショントラックポーズにおける肢の長さは、真値に近いが、直線的補間では肢の長さが著しく不自然に変化する。
• 測地線路は、期待計量が高不確実性領域で距離を長くするため、潜在空間の高不確実性領域を避ける。これにより、より頑健な補間が実現する。
• この手法は回転データの周期的構造を効果的に回復し、測地線が真のデータ多様体に従う一方で、直線的補間は未観測領域に逸脱する。
• 期待計量は、分類やトラッキングなどの統計的操作に意味を持つ潜在空間の実用的リーマン構造を提供する。
• 不確実性を考慮した幾何構造が、より優れた生成モデルを実現することを示しており、測地線は潜在データ分布に一致し、不自然な領域を避ける。