[論文レビュー] The Binary Space Partitioning-Tree Process

Xuhui Fan, Bin Li+1 more|arXiv (Cornell University)|Mar 22, 2019

3D Shape Modeling and Analysis被引用数 21

ひとこと要約

本稿では、2次元の凸多角形における一様または非一様な斜めカットを可能にする、自己整合的かつほとんど確実に右連続なマルコフジャンプ過程であるバイナリ空間分割木（BSP-Tree）プロセスを提案する。このプロセスは、モノドリアンプロセスの一般化であり、空間分割および関係モデリングにおいて、リンク予測のAUCで最大5%の向上を達成し、不規則なブロック検出がより効率的である。

ABSTRACT

The Mondrian process represents an elegant and powerful approach for space partition modelling. However, as it restricts the partitions to be axis-aligned, its modelling flexibility is limited. In this work, we propose a self-consistent Binary Space Partitioning (BSP)-Tree process to generalize the Mondrian process. The BSP-Tree process is an almost surely right continuous Markov jump process that allows uniformly distributed oblique cuts in a two-dimensional convex polygon. The BSP-Tree process can also be extended using a non-uniform probability measure to generate direction differentiated cuts. The process is also self-consistent, maintaining distributional invariance under a restricted subdomain. We use Conditional-Sequential Monte Carlo for inference using the tree structure as the high-dimensional variable. The BSP-Tree process's performance on synthetic data partitioning and relational modelling demonstrates clear inferential improvements over the standard Mondrian process and other related methods.

研究の動機と目的

• モノドリアンプロセスのモデル柔軟性の制限（軸に沿ったカットに限定され、複雑な次元間依存関係を捉えられないこと）を解消すること。
• 軸に沿ったカットに限定されないが、自己整合性や部分領域への制限下での分布不変性といった重要な性質を保つ、確率的空間分割プロセスを構築すること。
• 非一様な重み関数 ω(θ) を用いて、方向に依存するカットを柔軟に可能とし、軸に沿ったカットを特別なケースとして含めること。
• 木構造を高次元変数として扱う条件付き逐次モンテカルロ（C-SMC）を用いたスケーラブルな推論手法を提供すること。
• 合成データおよび実世界の関係ネットワークを用いた実証的検証により、既存のモデルと比較して明確な推論上の優位性を示すこと。

提案手法

• BSP-Treeプロセスは、予算線上で定義された、ほとんど確実に右連続なマルコフジャンプ過程であり、2次元の凸多角形における連続的な斜めカットによって分割を生成する。
• カットは、カットラインの空間における一様分布で生成され、測度はブロックの周囲の総和にスケーリングされたものに固定される。
• 非一様バージョンでは、特定のカット方向を優遇する重み関数 ω(θ) を導入し、方向的偏りのモデリングを可能にする。
• プロセスが自己整合的であることが証明されており、部分領域に制限しても分割の分布が不変であることを保証する。
• 推論には条件付き逐次モンテカルロ（C-SMC）を用い、ブロックの木構造を高次元変数として表現し、各次元が分割内の1つのカットに対応する。
• C-SMCサンプラーは、可能な木構造の空間を効率的に探索でき、分割およびカットパラメータの事後分布推論を可能にする。

実験結果

リサーチクエスチョン

• RQ1 確率的空間分割プロセスが、自己整合性および部分領域制限下での分布不変性を保ちつつ、斜めカットをサポートできるか？
• RQ2 一般の非一様重み関数 ω(θ) をどのように組み込み、方向に偏ったカットをモデリングできるか（軸に沿ったカットを特別ケースとして含む）。
• RQ3 階層的分割プロセスにおける斜めカットの使用が、軸に沿った手法と比較して、関係モデリングおよび空間分割タスクにおける推論性能を向上させるか？
• RQ4 C-SMCアルゴリズムは、BSP-Tree分割から生じる高次元の木構造ラティント変数を効果的に処理できるか？
• RQ5 BSP-Treeプロセスをモノドリアンプロセスや他の関係モデルと比較した場合、推論時間と性能向上のトレードオフはどのようになるか？

主な発見

• BSP-Treeプロセスは、5つの実世界のソーシャルネットワークデータセットにおいて、競合モデルと比較してリンク予測のAUCで3%〜5%の向上を達成した。
• 可視化された事後サンプルから、密集した不規則なブロックをより効率的に捉え、疎な領域を減らす、より効率的な分割が得られることを裏付けた。
• C-SMC推論戦略は、コラプセッドギブスや反復アルゴリズムと比較して収束が遅いが、学習対数尤度およびテストAUCの両方で最終的に最高の性能を達成した。
• BSP-Treeプロセスは自己整合性を維持しており、部分領域に制限しても分割の分布が不変であることを保証する。
• 非一様重み関数 ω(θ) により、カット方向の柔軟なモデリングが可能となり、ソーシャルネットワークコミュニティ検出のような状況で軸に沿ったカットを優先できる。
• 合成データでは、BSP-Treeプロセスがモノドリアンプロセスが効果的にモデル化できない複雑な非長方形の分割構造を正しく捉えた。