[논문 리뷰] A polynomial-time relaxation of the Gromov-Hausdorff distance

Soledad Villar, Afonso S. Bandeira외 2명|arXiv (Cornell University)|2016. 10. 17.

Topological and Geometric Data Analysis참고 문헌 15인용 수 7

한 줄 요약

이 논문은 유한한 거리 공간과 점 구름을 비교하기 위한 계산 가능하고 이론적으로 타당한 준거리(metric)를 제공하는 다항식 시간 내의 정수형 프로그래밍(SDP) 근사화를 제안한다. 이 근사화는 정확한 Gromov-Hausdorff 거리의 하한을 제공하며, 수치 실험을 통해 형태 매칭과 생물학적 데이터에서의 성능을 검증하였다.

ABSTRACT

The Gromov-Hausdorff distance provides a metric on the set of isometry classes of compact metric spaces. Unfortunately, computing this metric directly is believed to be computationally intractable. Motivated by applications in shape matching and point-cloud comparison, we study a semidefinite programming relaxation of the Gromov-Hausdorff metric. This relaxation can be computed in polynomial time, and somewhat surprisingly is itself a pseudometric. We describe the induced topology on the set of compact metric spaces. Finally, we demonstrate the numerical performance of various algorithms for computing the relaxed distance and apply these algorithms to several relevant data sets. In particular we propose a greedy algorithm for finding the best correspondence between finite metric spaces that can handle hundreds of points.

연구 동기 및 목표

• 정확한 Gromov-Hausdorff 거리의 계산 불가능성(즉, NP-난이도)을 해결하기 위해.
• 기하학적 해석력을 유지하면서도 진정한 거리의 하한을 제공하는 계산 가능한 볼록 근사화를 개발하기 위해.
• 특히 형태 매칭과 점 정렬 작업에서 유한한 거리 공간 간의 대응 관계를 실용적으로 계산하기 위해.
• 3D 모델과 생물학적 점 구름을 포함한 실제 데이터셋에서 근사화의 성능을 검증하기 위해.
• Gromov-Hausdorff 거리의 상한을 갖는 근사 대응 관계를 효율적으로 찾는 비볼록 최적화 알고리즘을 제안하기 위해.

제안 방법

• 점 집합 간의 대응 관계에 대한 최소화-최대화 최적화 문제로 Gromov-Hausdorff 거리를 공식화하기 위해.
• 대응 행렬을 추적 조건을 갖는 양의 준정적 행렬로 올리면서 문제를 정수형 프로그래밍(SDP)으로 근사화하기 위해.
• SDP 근사화를 통해 다항식 시간 내에 계산 가능한 준거리(metric)를 도출하며, 삼각 부등식을 만족함을 보장하기 위해.
• 이완된 해에서 희박하고 일대일 대응 관계를 복원하기 위해 보조 함수 방법을 기반으로 한 탐욕적 비볼록 최적화 알고리즘을 도입하기 위해.
• SDP 출력에서 이진 해를 유도하기 위해 임계값 처리와 파rameter 조정(σ₀, μ)을 적용하기 위해.
• 실제 데이터에서 성능 평가를 위해 3D 메esh의 지오데식 거리와 임의의 지점 집합의 유클리드 거리를 사용하기 위해.

실험 결과

연구 질문

• RQ1 Gromov-Hausdorff 거리의 볼록 근사화는 핵심 거리 성질을 유지하면서 다항식 시간 내에 계산 가능할 수 있는가?
• RQ2 제안된 SDP 근사화는 진정한 Gromov-Hausdorff 거리의 의미 있는 하한을 제공하는 준거리(metric)를 생성하는가?
• RQ3 사전에 알려진 대응 관계 없이도 이론적 근사화가 점 구름 간의 기하학적 유사성을 얼마나 잘 포착하는가?
• RQ4 비볼록 최적화 전략은 알려진 진짜 대응 관계가 없더라도 이론적 해에서 고품질의 대응 관계를 효과적으로 복원할 수 있는가?
• RQ5 실제 데이터셋에서 이론적 거리의 성능은 전문가가 라벨링한 지점 기반 방법과 동등한 콫라프탈 워셔슈타인 거리와 비교해 어떻게 나타나는가?

주요 결과

• SDP 근사화는 다항식 시간 내에 준거리를 계산하며, 이는 Gromov-Hausdorff 거리의 하한이 되며, 그 거리 유사성 행동에 대한 이론적 근거를 제공한다.
• 보조 함수 방법을 기반으로 한 비볼록 최적화 알고리즘은 잘 선택된 파rameter σ₀와 μ를 통해 효율적으로 일대일 대응 관계를 복원하며, 희박한 해로 수렴함을 보였다.
• 각각 16개의 전문가 라벨링 지점을 가진 115개의 치아 데이터셋에서, 이론적 거리는 85%의 최근접 이웃 분류 정확도를 달성하였으며, 이는 콕라프탈 워셔슈타인 방법의 91%와 라벨 기반 강성 정렬 방법의 92%와 유사한 성능이었다.
• 표준 랩탑에서 50점의 3D 점 구름을 6분 이내에 처리하여 중간 크기의 데이터셋에 대한 확장성을 입증하였다.
• 대칭적인 형태(예: 개)에 대해서도 잘 작동하여, 고유한 대칭성에도 불구하고 대응하는 사지가 정확히 매칭되었지만, 샘플링 변동성으로 인해 약간의 오류가 발생하였다.
• 이론적 근사화의 성능은 기하학적 가정에 대해 강건하다: 부드러운 표면나 명시적 다양체 구조가 필요 없이도 작동하며, 일부 경쟁 방법과 달리 이러한 요구 조건이 없어도 된다.