[논문 리뷰] A Radial Basis Function Approximation for Large Datasets

Zuzana Majdisova, Václav Skala|arXiv (Cornell University)|2018. 06. 06.

Electromagnetic Scattering and Analysis참고 문헌 10인용 수 5

한 줄 요약

이 논문은 d차원 공간 내 큰 산점 데이터셋에 대해 블록 분할 및 대칭 고려를 통한 라디얼 기저 함수(RBF) 근사 방법을 제안한다. 행렬의 대칭성을 활용하고 시스템을 다룰 수 있는 블록으로 나누어 메모리 사용량을 줄이고 스왑을 방지함으로써, 특히 웨날란드의 ϕ₃,₁와 같은 컴팩트 지원 RBF를 사용할 경우 성능과 정확도가 향상된 대규모 데이터셋에서도 효율적인 계산을 가능하게 한다.

ABSTRACT

Approximation of scattered data is often a task in many engineering problems. The Radial Basis Function (RBF) approximation is appropriate for large scattered datasets in d-dimensional space. It is non-separable approximation, as it is based on a distance between two points. This method leads to a solution of overdetermined linear system of equations. In this paper a new approach to the RBF approximation of large datasets is introduced and experimental results for different real datasets and different RBFs are presented with respect to the accuracy of computation. The proposed approach uses symmetry of matrix and partitioning matrix into blocks.

연구 동기 및 목표

• 고차원 공간 내 큰 산점 데이터셋에 대한 RBF 근사에서 발생하는 계산 및 메모리 병목 현상을 해결하기 위해.
• 대규모 데이터에서의 RBF 계산 중 시스템 스왑을 방지하고 메모리 사용량을 줄이기 위해.
• 특히 조밀하거나 노이즈가 많은 데이터셋에서 정확도를 훼손하지 않으면서 계산 효율성을 향상시키기 위해.
• 실제 지형 데이터에서 전역 RBF와 컴팩트 지원 RBF(예: 가우시안 vs. 웨날란드의 ϕ₃,₁)의 성능 및 정확도를 평가하기 위해.
• LiDAR 데이터에서 식생과 같은 원인으로 발생하는 노이즈와 경계 효과가 RBF 근사 오차에 미치는 영향을 조사하기 위해.

제안 방법

• RBF 근사 문제를 과잉 결정된 선형계 A c = h로 설정하며, 여기서 A는 N개의 데이터 포인트와 M개의 기준점 간의 거리로부터 구성된다.
• 행렬의 대칭성을 활용하여 커널 행렬의 상부 또는 하부 삼각형 부분만 계산함으로써 중복 계산을 줄인다.
• 시스템 행렬을 블록으로 나누어 인발 과정 및 분해 중 메모리 사용량을 관리하고 스왑을 방지한다.
• 블록 단위의 접근 방식은 하위 행렬을 독립적으로 처리할 수 있도록 하여 현대의 다중 코어 아키텍처에 적합한 대규모 데이터셋에서의 효율적 계산을 가능하게 한다.
• 전역 RBF(예: 가우시안)와 컴팩트 지원 RBF(예: 웨날란드의 ϕ₃,₁)를 모두 사용하며, 정확도를 높이기 위해 형태 파라미터를 조정한다.
• 구현은 MATLAB을 사용하였으며, 32GB RAM을 갖춘 고성능 PC에서 블록 크기를 25×25에서 125×125로 다양하게 설정하여 성능 평가를 수행하였다.

실험 결과

연구 질문

• RQ1 행렬의 대칭성과 블록 분할이 대규모 RBF 근사에서 메모리 사용량을 크게 줄이고 스왑을 방지하는 데 효과적인가?
• RQ2 다양한 블록 크기에서 대규모 데이터셋에 대한 블록 분할 RBF 근사의 성능 스케일링은 어떻게 되는가?
• RQ3 실제 지형 데이터에서 컴팩트 지원 RBF(예: 웨날란드의 ϕ₃,₁)가 전역 RBF(예: 가우시안)보다 더 높은 정확도를 제공하는가?
• RQ4 LiDAR 데이터에서 식생과 같은 원인으로 발생하는 노이즈가 RBF 근사 오차에 어느 정도의 영향을 미치는가?
• RQ5 경계 효과가 RBF 근사 정확도에 미치는 영향은 무엇이며, 제안된 방법이 이를 완화할 수 있는가?

주요 결과

• 블록 분할 및 대칭 고려 RBF 방법은 10,000개의 기준점이 포함된 대규모 데이터셋에서도 스왑을 방지하고 효율적인 계산을 가능하게 하였다.
• 세르펜트 마운드 데이터셋에서 웨날란드의 ϕ₃,₁ RBF는 평균 절대 오차 0.2289피트를 기록하여 가우시안 RBF의 0.4477피트보다 유의미하게 낮은 오차를 보였다.
• 샌트헬렌스 산의 경우, 웨날란드의 ϕ₃,₁를 사용할 때 평균 상대 오차는 0.0023%였고, 가우시안 RBF를 사용할 경우 0.0087%로, 국소 RBF가 더 높은 정확도를 보였다.
• 가장 높은 근사 오차는 물체 경계에서 발생하였으며, 이는 RBF 방법의 알려진 한계이며, LiDAR 데이터의 식생과 같은 노이즈로 악화되었다.
• 성능은 약 100×100 블록 크기에서 최고로 나타났다. 더 작은 블록은 높은 오버헤드를 유발했고, 더 큰 블록은 메모리 스왑을 유발하여 실행 시간이 증가하였다.
• 이 방법은 컴팩트 지원 RBF가 데이터 밀도 변화에 더 강건하며 전역 RBF보다 날카운 특징을 더 잘 유지함을 보여주었다.