[論文レビュー] Riemannian Multi-Manifold Modeling

Xu Wang, Konstantinos Slavakis+1 more|arXiv (Cornell University)|Oct 1, 2014

Morphological variations and asymmetry参考文献 58被引用数 21

ひとこと要約

本稿は、一般のリーマン多様体上に埋め込まれた低次元部分多様体上に分布するデータをモデル化するリーマン多様体マルチマニホールドクラスタリングフレームワークを提案する。局所的スパースコーディング、接空間の方向、測地線情報を利用して、スペクトルクラスタリングのためのデータアフィニティ行列を構築する。測地線部分多様体の仮定の下で理論的保証が得られ、合成データおよび実世界のデータ（行動認識、医療画像処理など）において、クラスタが重複する場合でも優れた性能を示す。

ABSTRACT

This paper advocates a novel framework for segmenting a dataset in a Riemannian manifold $M$ into clusters lying around low-dimensional submanifolds of $M$. Important examples of $M$, for which the proposed clustering algorithm is computationally efficient, are the sphere, the set of positive definite matrices, and the Grassmannian. The clustering problem with these examples of $M$ is already useful for numerous application domains such as action identification in video sequences, dynamic texture clustering, brain fiber segmentation in medical imaging, and clustering of deformed images. The proposed clustering algorithm constructs a data-affinity matrix by thoroughly exploiting the intrinsic geometry and then applies spectral clustering. The intrinsic local geometry is encoded by local sparse coding and more importantly by directional information of local tangent spaces and geodesics. Theoretical guarantees are established for a simplified variant of the algorithm even when the clusters intersect. To avoid complication, these guarantees assume that the underlying submanifolds are geodesic. Extensive validation on synthetic and real data demonstrates the resiliency of the proposed method against deviations from the theoretical model as well as its superior performance over state-of-the-art techniques.

研究の動機と目的

• 既存のマルチマニホールドクラスタリング手法がユークリッド空間や球面埋め込みに限定されているという限界を克服し、一般のリーマン多様体へとフレームワークを拡張すること。
• グラスマン多様体、球面、対称正定値行列などのリーマン多様体の内在的幾何を活用する計算効率の良いクラスタリングアルゴリズムの開発。
• 部分多様体が測地線であるという仮定の下で、部分多様体が重複する場合でもクラスタ回復の理論的保証を提供すること。
• モデルのずれに頑健であり、実データおよび合成データにおいて最先端の手法を上回る性能を示すことを検証すること。

提案手法

• 本手法は、リーマン多様体上での局所的スパースコーディングと接空間の方向、測地線の情報を統合して、データアフィニティ行列を構築する。
• リーマン幾何を用いて、データが一般のリーマン多様体 $M$（例えば、球面、グラスマン多様体、正定値行列など）上に埋め込まれた低次元部分多様体に分布するとモデル化する。
• 接空間の整合性と測地線距離といった内在的幾何的性質に基づいて得られたアフィニティ行列を用いてスペクトルクラスタリングを実行する。
• 局所的リーマン幾何、特に指数写像のテイラー展開と回転作用素の解析を用いて、推定された接空間と真の接空間の間の整合性誤差を評価する理論的分析を行う。
• 測地線距離と局所的共分散構造に基づく重み付きアフィニティを組み込むことで、ノイズや多様体の曲率に対して頑健な性能を実現する。
• 簡略化されたアルゴリズムバージョンを理論的に分析し、接空間への射影作用素の摂動理論と集中不等式を用いて保証を与える。

実験結果

リサーチクエスチョン

• RQ1 リーマン多様体上に重複するか近接する部分多様体上に分布するデータクラスタを、クラスタリングアルゴリズムが的確に回復できるか。
• RQ2 接空間の方向や測地線経路といった内在的幾何的性質をどのように活用して、非ユークリッド多様体上でのスペクトルクラスタリングに適した頑健なデータアフィニティ行列を構築できるか。
• RQ3 部分多様体が測地線であるという仮定のもとで、モデルのずれが生じても、クラスタ回復に理論的保証をどのように得られるか。
• RQ4 本手法は、リーマン多様体上での最先端のクラスタリング手法と比較して、性能と頑健性においてどのように優れているか。

主な発見

• 合成データ（重複する測地線部分多様体を有する）において、提案手法は最先端の手法を上回る優れたクラスタリング性能を達成した。
• 理論的分析により、推定された接空間と真の接空間の間の整合性誤差が $O(r)$ で抑えられ、$r$ は局所的近傍半径であることが示された。
• 非測地線部分多様体やノイズの存在といったモデルのずれに対しても、実世界の応用において高いクラスタリング精度を維持するという頑健性を示した。
• 動画シーケンスにおける行動識別および脳線維セグメンテーションの実験的検証により、既存手法を顕著に上回る性能を示した。
• グラスマン多様体や対称正定値行列といった複雑なリーマン多様体上でも、高い正確率（precision）と再現率（recall）を達成し、データのクラスタリングに成功した。
• 簡略化されたバージョンに対して理論的保証が確立され、部分多様体が交差する場合でも、それらが測地線であればクラスタ回復が可能であることが示された。