[논문 리뷰] MEDL and MEDLA: Methods for Assessment of Scaling by Medians of Log-Squared Nondecimated Wavelet Coefficients

Minkyoung Kang, Brani Vidaković|arXiv (Cornell University)|2017. 03. 12.

Image and Signal Denoising Methods참고 문헌 8인용 수 7

한 줄 요약

이 논문은 자기유사 신호에서 허스트 지수를 추정하기 위한 두 가지 강건한 방법인 MEDL과 MEDLA를 제안한다. 비감쇠 웨이블릿 변환(NDWT)을 사용하여, 로그 변환, 중앙값 기반 추정, 재표본화를 통해 자기상관 편향을 감소시킨다. 기존의 표준 NDWT 기반 방법에 비해 평균 제곱 오차가 낮고, 渐近적으로 정규분포를 따르며 편향이 없는 추정기로, 특히 낮은 허스트 지수에서 뛰어난 성능을 발휘한다.

ABSTRACT

High-frequency measurements and images acquired from various sources in the real world often possess a degree of self-similarity and inherent regular scaling. When data look like a noise, the scaling exponent may be the only informative feature that summarizes such data. Methods for the assessment of self-similarity by estimating Hurst exponent often involve analysis of rate of decay in a spectrum defined in various multiresolution domains. When this spectrum is calculated using discrete non-decimated wavelet transforms, due to increased autocorrelation in wavelet coefficients, the estimators of $H$ show increased bias compared to the estimators that use traditional orthogonal transforms. At the same time, non-decimated transforms have a number of advantages when employed for calculation of wavelet spectra and estimation of Hurst exponents: the variance of the estimator is smaller, input signals and images could be of arbitrary size, and due to the shift-invariance, the local scaling can be assessed as well. We propose two methods based on robust estimation and resampling that alleviate the effect of increased autocorrelation while maintaining all advantages of non-decimated wavelet transforms. The proposed methods extend the approaches in existing literature where the logarithmic transformation and pairing of wavelet coefficients are used for lowering the bias. In a simulation study we use fractional Brownian motions with a range of theoretical Hurst exponents. For such signals for which "true" $H$ is known, we demonstrate bias reduction and overall reduction of the mean-squared error by the two proposed estimators. For fractional Brownian motions, both proposed methods yield estimators of $H$ that are asymptotically normal and unbiased.

연구 동기 및 목표

• 비감쇠 웨이블릿 변환(NDWT) 계수에서 발생하는 자기상관으로 인해 허스트 지수 추정의 편향이 증가하는 문제를 해결하기 위해.
• 이동 불변성, 각 수준당 고정된 계수 수, 임의의 신호 크기에 적용 가능한 등의 NDWT의 장점을 유지하면서 추정기의 편향을 감소시키기 위해.
• 중심값 기반 위치 추정 및 재표본화를 활용하여 평균 기반 또는 비강건한 방법에 비해 정확도를 향상시킬 수 있는 강건한 추정 기법을 개발하기 위해.
• MEDL 및 MEDLA가 분수 브라운 운동(fBm) 모델 하에서 허스트 지수의 渐近적으로 정규분포를 따르며 편향이 없는 추정기를 제공함을 입증하기 위해.
• 편향, 분산, 평균 제곱 오차(MSE) 측면에서 MEDL 및 MEDLA의 성능을 기존의 표준 NDWT 기반 방법과 비교하기 위해.

제안 방법

• 모든 계수를 다운샘플링 없이 유지하면서, 신호에 비감쇠 웨이블릿 변환(NDWT)을 적용한다.
• 각 스케일에서의 웨이블릿 계수의 제곱을 계산한 후, 분산을 안정화하고 힘의 법칙적 관계를 선형화하기 위해 로그 변환을 수행한다.
• MEDL의 경우, 다양한 수준에서 로그 제곱 계수의 중앙값을 추정하고, 중앙값 값에 대한 로그 스케일에서의 선형 회귀를 통해 H를 추정한다.
• MEDLA의 경우, 재표본화를 사용한다: 최소 q_j 간격으로 웨이블릿 계수 쌍을 반복적으로 추출하고, 평균 에너지를 계산하며, 이를 로그 변환한 후, 이 로그 에너지의 중앙값을 추정한다.
• 중심값을 강건한 위치 추정기로 사용하여, 평균 기반 방법에 비해 외곽치 및 자기상관에 대한 민감도를 감소시킨다.
• 추정기의 渐近적 정규성 및 분산 표현식을 유도하여, MEDLA의 분산이 스케일 j에 독립적이며 표본 크기 N과 수준 수 m에 의존함을 보여준다.

실험 결과

연구 질문

• RQ1 비감쇠 웨이블릿 변환을 사용할 경우, 자기상관이 증가함에도 불구하고 강건한 중앙값 기반 추정이 허스트 지수 추정의 편향을 줄일 수 있는가?
• RQ2 MEDL 및 MEDLA의 성능은 기존의 표준 NDWT 기반 방법(예: Veitch 및 Abry, Soltani 등)에 비해 편향, 분산, 평균 제곱 오차 측면에서 어떻게 비교되는가?
• RQ3 MEDL 및 MEDLA는 분수 브라운 운동 모델 하에서 허스트 지수의 渐近적으로 정규분포를 따르며 편향이 없는 추정기를 제공하는가?
• RQ4 재표본화가 중복된 NDWT 계수에서의 자기상관 영향을 줄이는 데 어떤 영향을 미치는가?
• RQ5 유한 표본 시뮬레이션에서 진짜 허스트 지수(H = 0.3, 0.5, 0.7)의 다양한 값에서 추정기는 어떻게 성능을 발휘하는가?

주요 결과

• H = 0.3일 때, MEDL 및 MEDLA는 기존 방법에 비해 평균 제곱 오차(MSE)를 감소시키며, MEDLA는 전통적 방법의 MSE = 0.0256 대비 MSE = 0.0024를 기록한다.
• H = 0.5일 때, MEDLA는 가장 낮은 편향 제곱(1.3×10⁻⁶)과 MSE(0.0017)를 기록하여 전통적 방법(MSE = 0.0018)과 Soltani(MSE = 0.0023)를 모두 능가한다.
• H = 0.7일 때, MEDLA는 전통적 방법의 MSE 0.0256을 0.0024로 감소시키며, 편향 제곱도 0.0217에서 6.2×10⁻⁵로 감소시켜 강력한 편향 감소 효과를 입증한다.
• 모의 실험 설정 하에서 MEDLA 추정기의 H는 평균 H와 함께 渐近적으로 정규분포를 따르며, 분산은 7.9007×10⁻⁵이다. 이는 이론적 수렴을 확인한다.
• MEDL 및 MEDLA는 모든 테스트된 H 값에서 일관된 성능을 보이며, 특히 표준 방법이 실패하는 높은 H(0.7)에서 편향과 MSE 향상 효과가 가장 두드러진다.
• MEDLA의 표본 중앙값 추정기의 분산은 약 1/(N(log 2)²)이며, 스케일 j에 독립적이므로, 수준 간의 방법의 안정성을 뒷받침한다.