[論文レビュー] Multiscale Strategies for Computing Optimal Transport

Samuel Gerber, Mauro Maggioni|arXiv (Cornell University)|Aug 8, 2017

Advanced Mathematical Modeling in Engineering参考文献 36被引用数 13

ひとこと要約

本稿では、本質的に低次元である高次元点群間の最適輸送計画を効率的に計算するためのマルチスケールフレームワークを提案する。点群を階層的に分解し、粗いスケールから細かいスケールへと順次輸送問題を解くことで、時間的・記憶容量的計算量がほぼ線形にスケーリングされ、計算コストを桁違いに低減しながら、目的関数の相対誤差が1%未満に抑えられる。

ABSTRACT

This paper presents a multiscale approach to efficiently compute approximate optimal transport plans between point sets. It is particularly well-suited for point sets that are in high-dimensions, but are close to being intrinsically low-dimensional. The approach is based on an adaptive multiscale decomposition of the point sets. The multiscale decomposition yields a sequence of optimal transport problems, that are solved in a top-to-bottom fashion from the coarsest to the finest scale. We provide numerical evidence that this multiscale approach scales approximately linearly, in time and memory, in the number of nodes, instead of quadratically or worse for a direct solution. Empirically, the multiscale approach results in less than one percent relative error in the objective function. Furthermore, the multiscale plans constructed are of interest by themselves as they may be used to introduce novel features and notions of distances between point sets. An analysis of sets of brain MRI based on optimal transport distances illustrates the effectiveness of the proposed method on a real world data set. The application demonstrates that multiscale optimal transport distances have the potential to improve on state-of-the-art metrics currently used in computational anatomy.

研究の動機と目的

• 高次元点群における最適輸送の計算不能性に対処すること。
• 特に本質的に低次元構造を持つデータセットを対象としたスケーラブルな最適輸送計算を可能にすること。
• 速度、記憶容量、精度のトレードオフをサポートする柔軟で適応的なフレームワークの開発。
• マルチスケール輸送計画を、脳MRIのような実世界のデータにおける新しい幾何的特徴として実証すること。
• 輸送に基づく距離を用いて、計算解剖学分野の最先端の指標を改善すること。

提案手法

• 本手法は、ソースおよびターゲット点群を、解像度を段階的に高める階層的レベルに分解する適応的マルチスケール分解を採用する。
• 最適輸送問題は、最も粗いスケールから始めてトップダウンに逐次解かれる。
• 各スケールで解を初期化および精緻化するために、容量伝搬戦略が用いられ、収束性が向上し、計算負荷が低減される。
• フレームワークは、さまざまな精緻化戦略をサポートしており、一部の戦略ではグローバル最適解への収束を保証する。
• 本手法は任意の線形計画法ソルバと互換性があり、線形割当問題への拡張も可能である。
• 幾何的近傍性の仮定を必要としないため、コスト行列を用いることで非幾何的問題に対しても適応可能である。

実験結果

リサーチクエスチョン

• RQ1 マルチスケール分解は、高次元点群における最適輸送の計算コストを顕著に低減できるか？
• RQ2 提案されたフレームワークは、点群数に比例して線形にスケーリングしながらも高い精度を維持できるか？
• RQ3 マルチスケール輸送計画は、神経画像診断のような実世界のデータ解析において情報的な特徴として機能できるか？
• RQ4 マルチスケール輸送距離は、脳MRIデータにおける臨床的ばらつきを捉えるために、既存の指標と比較して優れているか？
• RQ5 階層的分解は、複数のスケールにわたり意味のある構造的情報を露わにする程度はどの程度か？

主な発見

• マルチスケール手法は、時間的および記憶容量的計算量の両方において、ほぼ線形スケーリングを達成しており、点群数に比例して計算負荷が低下する（二次関数的またはそれ以上のスケーリングから線形に改善）。
• 正確な解と比較して、目的関数の相対誤差が1%未満である輸送計画が得られる。
• OASIS脳MRIデータセットにおいて、マルチスケール輸送ベースのモデルは、単一スケール手法と比較して、臨床的認知症評価（CDR）予測の決定係数（R²）をほぼ2倍に向上させた。
• マルチスケール輸送モデルは、単一スケール輸送および最先端のLDDMMベースの指標を上回り、臨床変数の予測性能を向上または同等に維持した。
• 本フレームワークにより、大規模な脳MRI点群（約40,000点）のペアワイズ最適輸送距離の計算が効率的に行えるようになった。標準的なハードウェア上では、全ペアワイズ距離の計算に約2週間を要した。
• 容量伝搬戦略は、幾何的近傍性の仮定に依存しないため、頑健であり、非幾何的問題への適用も可能である。