[論文レビュー] On the Estimation of Pointwise Dimension

Shohei Hidaka, Neeraj Kashyap|arXiv (Cornell University)|Dec 9, 2013

Mathematical Dynamics and Fractals参考文献 6被引用数 5

ひとこと要約

本稿では、Grassberger-Procacciaの相関次元推定器の次元盲検性および有限標本の制限を克服するため、限界のない点ごとの次元推定器を提案する。局所的測度の成長を変分ベイズアルゴリズムでモデル化することで、データポイント全体にわたる局所的なフラクタル構造を捉え、複雑なデータセットにおけるノイズ、確率的要因、および内在次元の検出を可能にする。

ABSTRACT

Our goal in this paper is to develop an effective estimator of fractal dimension. We survey existing ideas in dimension estimation, with a focus on the currently popular method of Grassberger and Procaccia for the estimation of correlation dimension. There are two major difficulties in estimation based on this method. The first is the insensitivity of correlation dimension itself to differences in dimensionality over data, which we term "dimension blindness". The second comes from the reliance of the method on the inference of limiting behavior from finite data. We propose pointwise dimension as an object for estimation in response to the dimension blindness of correlation dimension. Pointwise dimension is a local quantity, and the distribution of pointwise dimensions over the data contains the information to which correlation dimension is blind. We use a "limit-free" description of pointwise dimension to develop a new estimator. We conclude by discussing potential applications of our estimator as well as some challenges it raises.

研究の動機と目的

• フラクタル測度における局所次元の変化を識別できない相関次元の次元盲検性を解消する。
• 従来の推定器が漸近的挙動に依存するのを避け、局所的で点ごとの次元測度を導入する。
• 収束仮定を避け、直接的に実験データで動作する実用的な有限標本推定器を開発する。
• 時系列およびフラクタルデータにおけるノイズ、確率的効果、および内在幾何的構造の検出を可能にする。
• 局所次元推定を通じてノイズ低減および力学系解析の基盤を提供する。

提案手法

• 収縮する球内の測度の局所的スケーリング指数として点ごとの次元を定義する：$ D_{\mu}(x) = \lim_{\epsilon \to 0} \frac{\log \mu(B(x,\epsilon))}{\log \epsilon} $、ロバスト性を高めるためにliminf/limsupを用いる。
• epsilonsの極限を、近隣距離の統計的推論問題に置き換えることで、限界のない定式化を導入する。
• 点ごとの次元の事後分布を推定するために変分ベイズアルゴリズムを用いる。
• 固定フェーズ（初期クラスタリング）とクラスタリングフェーズ（事後分布の更新による精錬）の二段階アルゴリズムを実装する。
• スパースなデータ領域における推定を正則化するため、次元値の事前分布を定義する。
• 事後分布の平均を用いて各データポイントごとの平均点ごとの次元を推定し、有限標本からのロバストな推論を可能にする。

実験結果

リサーチクエスチョン

• RQ1 点ごとの次元推定は、フラクタル測度における相関次元の次元盲検性を克服できるか？
• RQ2 有限データにおける漸近的挙動への依存を避けるために、限界のない推定器をどのように構築できるか？
• RQ3 提案された推定器は、カントール測度のような決定的フラクタル集合におけるノイズ汚染を検出できるか？
• RQ4 推定器は、分数次元ブラウン運動のような確率過程における点ごとの次元の増大を明らかにできるか？
• RQ5 点ごとの次元と、局所的データ構造をモデル化するために必要なパrameter数の関係は何か？

主な発見

• 提案された推定器は、ノイズの強さが「完全」「重なり」「ノイズ優勢」の三つのレジームにわたるノイズの入ったカントール集合における構造的変化を成功裏に検出する。
• ノイズレベルが平均近隣距離未満の場合、推定された点ごとの次元は理論的値 $ \log 2 / \log 3 \approx 0.6309 $ に近く保たれ、ロバスト性を示す。
• ノイズレベルがサポートスケールを超えると、推定された次元は2に収束し、埋め込み空間における一様ノイズの優位性を反映する。
• ブラウン運動データにおいて、ノイズレベル1から100にわたって、推定器は常に1つのクラスタしか検出しない。これは、確率的要因があっても一貫した局所次元を示している。
• 分数次元ブラウン運動の平均点ごとの次元は、埋め込み次元が増加するにつれて増加し、理論的期待と一致する。これはGP推定器の挙動とは対照的である。
• 本手法は、点ごとの次元と局所的パラメータ数の間の潜在的関係を明らかにし、ノイズ低減および次元削減への応用の可能性を示唆する。