[논문 리뷰] Estimating the fractal dimension: a comparative review and open source implementations

Georoge Datseris, Inga Kottlarz외 2명|arXiv (Cornell University)|2021. 09. 13.

Chaos control and synchronization참고 문헌 8인용 수 2

한 줄 요약

이 논문은 인위적 및 실제 실험 데이터를 사용하여 상관 기반 및 엔트로피 기반 방법에 중점을 두고, 열 가지 프랙탈 차원 추정기 간의 종합적이고 정량적인 비교를 제공한다. 인위적 데이터에서는 상관 기반 추정기가 엔트로피 기반 추정기보다 우수한 성능를 보이며, 실제 데이터에서는 반대의 결과를 보이며, 분석적 역학이 알려진 경우 리아풀로프 차원이 가장 정확하다. 모든 방법은 오픈소스 코드를 통해 DynamicalSystems.jl에 구현되어 있다.

ABSTRACT

The fractal dimension of state space sets is typically estimated via the scaling of either the generalized (Renyi) entropy or the correlation sum versus a size parameter. Motivated by the lack of quantitative and systematic comparisons of fractal dimension estimators in the literature, and also by new and improved methods for delay embedding, in this paper we provide a detailed and quantitative comparison for estimating the fractal dimension. We start with summarizing existing estimators and then perform an evaluation of these estimators, comparing their performance and precision using different data sets and taking into account the impact of features like length, noise, embedding dimension, non-stationarity, among many others. After comparing ten estimators, we conclude that for synthetic data the correlation based estimator is much better than the entropy one, while for real experimental data it seems to be the other way around. All other estimators perform worse. If the dynamic equations are known analytically, the Lyapunov dimension is always the most accurate. We furthermore discuss common pitfalls, like calculating the dimension of inappropriate data, automated ways to estimate the dimension, and provide an outlook of possible future research. All quantities discussed are implemented as performant and easy to use open source code via the software DynamicalSystems.jl.

연구 동기 및 목표

• 다양한 데이터 조건에서 열 가지 기존 프랙탈 차원 추정기의 성능 및 정밀도를 체계적으로 비교하는 것.
• 데이터 특성인 길이, 노이즈, 임bedding 차원, 비정상성 등의 영향을 추정기 정확도에 미치는 영향을 평가하는 것.
• 인위적 데이터와 실제 실험 데이터에서 가장 신뢰할 수 있는 추정기를 식별하고, 알려진 역학 방정식의 역할을 평가하는 것.
• 모든 추정기를 오픈소스로 제공하여 재현 가능 연구를 지원하는 것.
• 프랙탈 차원 추정에서 흔히 발생하는 함정을 밝히고 향후 방법론적 개선을 안내하는 것.

제안 방법

• 일반화된 레니 엔트로피와 상관 합 스케일링을 기반으로 한 열 가지 프랙탈 차원 추정기를 크기 매개변수에 대해 평가한다.
• 인위적 혼돈 시스템과 실제 실험 시간 시리즈를 포함한 다양한 데이터 세트를 대상으로, 길이, 노이즈, 임bedding 차원의 변화를 통제하여 테스트한다.
• 편향, 분산, 수렴 속도 등의 메트릭을 사용하여 다중 시도에 걸쳐 정량적으로 성능을 평가한다.
• 자동 추정 절차를 포함하고 비정상성 및 유한 데이터 효과에 대한 강건성도 평가한다.
• 모든 추정기는 재현 가능성과 커뮤니티 활용을 위해 오픈소스 소프트웨어 DynamicalSystems.jl에 구현되어 있다.
• 역학 방정식이 알려진 경우 리아풀로프 차원은 분석적으로 계산되며, 황금 표준 기준으로 사용된다.

실험 결과

연구 질문

• RQ1 알려진 역학이 있는 인위적 데이터에서 어떤 프랙탈 차원 추정기가 가장 우수한 성능를 보이는가?
• RQ2 노이즈, 데이터 길이, 임bedding 차원은 다양한 추정기의 정확도에 어떻게 영향을 미치는가?
• RQ3 엔트로피 기반 추정기와 상관 기반 추정기의 성능는 인위적 데이터와 실제 실험 데이터 간에 다를까?
• RQ4 알려진 경우 분석적 리아풀로프 차원과 수치적 추정기의 정확도는 어떻게 비교되는가?
• RQ5 프랙탈 차원 추정에서 가장 흔한 함정은 무엇이며, 어떻게 피할 수 있는가?

주요 결과

• 인위적 데이터에서는 상관 기반 추정기가 정밀도와 수렴 성능 측면에서 엔트로피 기반 추정기보다 일관되게 뛰어난 성능를 보였다.
• 실제 실험 데이터에서는 엔트로피 기반 추정기가 상관 기반 추정기보다 더 우수한 성능를 보였으며, 이는 노이즈와 유한 표본 효과 때문일 것이다.
• 분석적 역학 방정식이 제공되는 경우 리아풀로프 차원이 가장 정확한 프랙탈 차원 추정을 제공한다.
• 다른 모든 추정기들은 각각의 데이터 영역에서 최상의 방법보다 열등한 성능를 보였다.
• 흔한 함정으로는 비혼돈 또는 비정상성 데이터에서 차원을 추정하거나, 짧거나 노이즈가 많은 시간 시리즈에 잘못된 추정기를 적용하는 것이다.
• DynamicalSystems.jl에 구현된 오픈소스 구현은 연구자들이 효율적이고 재현 가능하며 접근 가능한 프랙탈 차원 추정을 수행할 수 있도록 한다.