[論文レビュー] Active Search for Sparse Signals with Region Sensing

Yifei Ma, Roman Garnett+1 more|arXiv (Cornell University)|Dec 2, 2016

Optimization and Search Problems被引用数 4

ひとこと要約

本稿では、点ではなく長方形領域のノイズあり測定値を用いてスパース信号を効率的に特定する、アクティブサーチアルゴリズムであるリージョンセンシングインデックス（RSI）を提案する。情報量の増加を貪欲に最大化することで、RSIは低バイアス誤差でk個の信号位置を回復するのに˜O(n/µ² + k²)の測定値を必要とし、パassive手法を上回り、1次元および高次元設定において衛星データを用いて有効性を示している。

ABSTRACT

Autonomous systems can be used to search for sparse signals in a large space; e.g., aerial robots can be deployed to localize threats, detect gas leaks, or respond to distress calls. Intuitively, search algorithms may increase efficiency by collecting aggregate measurements summarizing large contiguous regions. However, most existing search methods either ignore the possibility of such region observations (e.g., Bayesian optimization and multi-armed bandits) or make strong assumptions about the sensing mechanism that allow each measurement to arbitrarily encode all signals in the entire environment (e.g., compressive sensing). We propose an algorithm that actively collects data to search for sparse signals using only noisy measurements of the average values on rectangular regions (including single points), based on the greedy maximization of information gain. We analyze our algorithm in 1d and show that it requires $ ilde{O}(\frac{n}{μ^2}+k^2)$ measurements to recover all of $k$ signal locations with small Bayes error, where $μ$ and $n$ are the signal strength and the size of the search space, respectively. We also show that active designs can be fundamentally more efficient than passive designs with region sensing, contrasting with the results of Arias-Castro, Candes, and Davenport (2013). We demonstrate the empirical performance of our algorithm on a search problem using satellite image data and in high dimensions.

研究の動機と目的

• 大規模な空間におけるスパース信号を、集約された領域測定値を用いて効率的に特定するアクティブサーチアルゴリズムの開発。
• 既存手法が領域センシングを無視しているか、現実的でないセンシングモデルを仮定しているというギャップを解消すること。
• アクティブ領域センシングが、測定効率の観点でパassive設計を著しく上回ることを示すこと。
• ノイズあり連続領域センシング制約下での回復性能に関する理論的保証を提供すること。
• 実際の衛星画像データおよび高次元探索空間において、手法の実証的妥当性を検証すること。

提案手法

• 情報量の増加を貪欲に最大化することで、情報性の高い長方形領域測定値を選択するリージョンセンシングインデックス（RSI）アルゴリズムを提案する。
• 観測値を、点を含む長方形領域上のノイズあり平均としてモデル化し、独立したガウスノイズを仮定する。
• ベイジアンフレームワークを用いて信号位置の事後分布を維持し、各測定後に信念を更新する。
• 情報理論的基準を用いて、事後エントロピーの期待値を最大限に削減する次回の領域を選択する。
• 測定複雑度の理論的境界を導出し、RSIが正確な回復に˜O(n/µ² + k²)の測定値を必要とすることを示す。
• NAIPデータセットを用いた実際の衛星画像で手法を検証し、信号対ノイズ比を領域サイズの関数としてモデル化する。

実験結果

リサーチクエスチョン

• RQ1 アクティブ領域センシングは、スパース信号検出におけるパassiveスキャンと比較して、著しく検索効率を向上させることができるか？
• RQ2 測定複雑度の観点で、アクティブ領域センシングは制約なしの圧縮センシングと比較してどの程度優れているか？
• RQ3 ノイズあり連続領域センシング下で、アクティブサーチアルゴリズムの理論的測定複雑度は何か？
• RQ4 情報量の増加最大化は、領域ベースの観測を持つ高次元空間において、効率的かつスケーラブルな探索を可能にするか？
• RQ5 実世界の画像認識シナリオにおいて、信号強度とノイズの変動に応じて最適な領域サイズはどのように変化するか？

主な発見

• RSIは、強いセンシング制約にもかかわらず、制約なしの圧縮センシングと同等の速度で、k個の信号位置を低バイアス誤差で回復するため、˜O(n/µ² + k²)の測定複雑度を達成する。
• RSIを用いたアクティブ領域センシングは、信号強度にかかわらず1次元では逐次走査に限定されるパassive設計を著しく上回る。
• 理論的分析により、連続領域センシング下でアクティブ設計はパassive設計に比べて顕著な効率的利点を示すことが示され、アリアス＝カスティョ他（2013）の制約なしセンシングを仮定した先行研究とは矛盾する。
• NAIP衛星画像における実証的結果から、領域センシングを用いて青色物体の検出に成功し、一様事前分布下で最適領域サイズが32×32ピクセルであることが判明した。
• 信号対ノイズ比（SNR）は領域サイズに伴い低下し、1×1では8.5、128×128では0.3にまで低下し、適応的領域選択の必要性が裏付けられた。
• 本手法は高次元探索空間においてもスケーラブルで効果的であることが確認され、ロボット工学およびリモートセンシング応用における実用的価値を裏付けた。