[논문 리뷰] Geometry-aware stationary subspace analysis

Inbal Horev, Florian Yger외 1명|arXiv (Cornell University)|2016. 05. 25.

Blind Source Separation Techniques인용 수 6

한 줄 요약

이 논문은 대칭 양의 정부호(SPD) 행렬 다양체 위에서 기하학적 최적화 문제로 정적 하위공간 추출을 설정하는 공분산 기반 방법인 기하학적 인지 정적 하위공간 분석(gaSSA)을 제안한다. 대칭화된 행렬 발산을 리만 거리 척도로 사용함으로써 gaSSA는 SPD 행렬의 내재 기하학을 활용하여 기존 SSA보다 강건성과 성능을 향상시킨다. 특히 행렬 화이트닝 없이도 합성 및 실제 BCI 데이터셋에서 뛰어난 분류 정확도를 보이며 성능 향상을 입증한다.

ABSTRACT

In many real-world applications data exhibits non-stationarity, i.e., its distribution changes over time. One approach to handling non-stationarity is to remove or minimize it before attempting to analyze the data. In the context of brain computer interface (BCI) data analysis this may be done by means of stationary subspace analysis (SSA). The classic SSA method finds a matrix that projects the data onto a stationary subspace by optimizing a cost function based on a matrix divergence. In this work we present an alternative method for SSA based on a symmetrized version of this matrix divergence. We show that this frames the problem in terms of distances between symmetric positive definite (SPD) matrices, suggesting a geometric interpretation of the problem. Stemming from this geometric viewpoint, we introduce and analyze a method which utilizes the geometry of the SPD matrix manifold and the invariance properties of its metrics. Most notably we show that these invariances alleviate the need to whiten the input matrices, a common step in many SSA methods which often introduces errors. We demonstrate the usefulness of our technique in experiments on both synthesized and real-world data.

연구 동기 및 목표

• 시간적 시계열 데이터의 비정적 특성, 특히 신호 분포가 시간이 지남에 따라 변화하는 뇌-컴퓨터 인터페이스(BCI) 적용 분야에서의 비정적 특성을 다루기 위해.
• 비대칭 행렬 발산에 의존하고 기하학적 해석이 없는 전통적 정적 하위공간 분석(SSA)의 한계를 극복하기 위해.
• 공분산 행렬의 기하학적 구조를 대칭 양의 정부호(SPD) 다각형 상의 점으로 명시적으로 모델링하기 위해.
• SPD 다각형 상의 리만 척도의 불변성 특성을 활용하여 하위공간 학습 성능을 향상시키기 위해.
• 기하학적으로 인지된 최적화가 합성 및 실제 BCI 데이터 환경 모두에서 더 나은 성능을 낼 수 있음을 입증하기 위해.

제안 방법

• 방법은 행렬 발산의 대칭화된 형태를 사용하여 SSA를 재정의함으로써, 이를 SPD 행렬 간의 리만 거리로 변환한다.
• 데이터 공분산 행렬을 SPD 다각형 상의 점으로 모델링하여 리만 기하학을 활용한 최적화를 가능하게 한다.
• 이 방법은 두 가지 리만 척도—아핀-불변 및 대칭화된 발산—을 사용하며, 각각 δ_r 및 δ_s로 정의된다.
• 최적화 목표는 시간 프레임 간의 공분산 행렬 간 거리를 최소화하는 것으로, 투영된 신호의 분포를 안정화시키는 투영을 찾는 데 목적이 있다.
• 이 방법은 데이터를 공분산 행렬 간의 대칭화된 발산이 최소가 되는 하위공간으로 매핑하는 투영 행렬을 학습함으로써 비지도 방식으로 적용된다.
• BCI 실험에서는 학습된 정적 하위공간에서 성능을 평가하기 위해 평균으로부터의 최소 거리(MDM) 분류기를 사용한다.

실험 결과

연구 질문

• RQ1 SPD 다각형 상의 거리 기반으로 비용 함수를 재정의함으로써 정적 하위공간 분석에 기하학적 해석을 설정할 수 있는가?
• RQ2 SPD 다각형 상의 리만 척도의 불변성 특성이 하위공간 학습의 강건성과 성능 향상에 어떻게 기여하는가?
• RQ3 SSA에서 비대칭 행렬 발산을 대칭화된 발산으로 대체함으로써 정적 성분을 더 잘 식별할 수 있는가?
• RQ4 행렬 화이트닝의 포함 또는 배제가 실제 BCI 데이터에서 기하학적 SSA 방법의 성능에 어떻게 영향을 미치는가?
• RQ5 제안된 기하학적 인지 접근 방식이 비정적 뇌전도(EEG) 데이터에서 표준 SSA보다 분류 정확도 측면에서 뛰어나게 성능을 발휘할 수 있는가?

주요 결과

• 합성 데이터에서 gaSSA는 δ_r 및 δ_s 척도를 사용하여 화이트닝 없이 평균 비용 0.0063 ± 0.0001을 기록했으며, SSA를 능가하고 다수의 실행에서 일관된 향상을 보였다.
• m=10개의 정적 소스를 가진 BCI 실험에서, gaSSA는 화이트닝 없이 평균 분류 정확도 72.94%를 달성했으며, SSA의 58.86%를 뛰어넘었다.
• m=14개의 정적 소스의 경우, gaSSA는 화이트닝 없이 평균 정확도 74.00%를 기록했고, SSA의 66.24%에 비해 뚜렷한 우월성을 보였다.
• 결과는 화이트닝이 없는 방법이 항상 화이트닝이 있는 방법보다 뛰어나게 성능을 냈으며, 이는 사전 화이트닝이 SPD 다각형의 기하학적 구조를 왜곡할 수 있음을 시사한다.
• δ_r 및 δ_s 척도는 실험 전반에서 거의 동일한 성능를 보였으며, 이는 기하학적 공식화에서 리만 척도 선택에 대해 강건함을 나타낸다.
• 이 방법은 실제 EEG 데이터에서 정적 하위공간을 성공적으로 추출하여 눈동자 움직임과 같은 비정적 요인의 영향을 감소시키고 분류 성능 향상을 이뤘다.