[論文レビュー] Feature Selection based on Principal Component Analysis for Underwater Source Localization by Deep Learning

Xiaoyu Zhu, Hefeng Dong+2 more|arXiv (Cornell University)|Nov 25, 2020

Underwater Acoustics Research参考文献 29被引用数 5

ひとこと要約

本稿では、深層学習を用いた水中音源局所化のためのPCAに基づく解釈可能な特徴選択手法を提案する。主成分回帰（PCR）と2段階の半教師ありフレームワークを組み合わせることで、単一水中マイクロホンデータから最も関連性の高い周波数成分を選択する。PCAとPCRを用いて、訓練時間を95％削減しながら、特にラベル付きデータが少ない状況でも、SWellEx-96データセットでロバスト性と精度を向上させる。

ABSTRACT

In this paper, we propose an interpretable feature selection method based on principal component analysis (PCA) and principal component regression (PCR), which can extract important features for underwater source localization by only introducing the source location without other prior information. This feature selection method is combined with a two-step framework for underwater source localization based on the semi-supervised learning scheme. In the framework, the first step utilizes a convolutional autoencoder to extract the latent features from the whole available dataset. The second step performs source localization via an encoder multi-layer perceptron (MLP) trained on a limited labeled portion of the dataset. The proposed approach has been validated on the public dataset SwllEx-96 Event S5. The result shows the framework has appealing accuracy and robustness on the unseen data, especially when the number of data used to train gradually decreases. After feature selection, not only the training stage has a 95\% acceleration but the performance of the framework becomes more robust on the depth and more accurate when the number of labeled data used to train is extremely limited.

研究の動機と目的

• 半教師あり学習を用いて、ラベル付きデータとラベルなしデータの両方を活用することで、水中音源局所化におけるラベル付きデータの不足という課題に対処する。
• 生信号データから最も情報量の多い特徴を特定・選択することで、水中音響分野における深層学習モデルの計算負荷を低減する。
• 環境的・伝搬モデルの事前知識を必要とせず、源の位置情報にのみ依存する解釈可能な特徴選択プロセスを構築する。
• 特に訓練データが限られている状況でも、汎化性能とロバスト性を向上させる。
• 特徴選択が、ラベル付きデータが極めて少ない状況下での半教師ありおよび完全に教師ありの学習設定において性能向上をもたらすことを実証する。

提案手法

• 生の単一水中マイクロホン信号を周波数ドメイン表現に変換するため、離散フーリエ変換（DFT）を適用する。
• 入力成分の分散を最大化し相関を低減する潜在特徴を主成分分析（PCA）を用いて抽出する。
• 源の位置を応答変数として主成分回帰（PCR）を実行し、回帰係数の絶対値の大きさに基づいて重要特徴を同定する。
• 絶対値が大きいPCR係数を持つ特徴を選択し、データ分散の少なくとも50％を説明するもので、ローディングプロット上での2つの同心円の間にあるものを対象とする。
• 選択された特徴を2段階の半教師ありフレームワークに統合する：まず、自己符号化器（CAE）を用いて非教師ありで潜在表現を学習し、次に、限られたラベル付きデータ上でエンコーダー-MLPを教師ありでファインチューニングする。
• 平均二乗誤差（MSE）損失を用いて最終モデルを学習し、SWellEx-96 Event S5の公的データセット上で性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 環境的知識を事前に必要とせずに、PCAに基づく特徴選択が、水中音源局所化に最も情報量の多い周波数成分を効果的に同定できるか。
• RQ2 選択された特徴のみを含めることで、ラベル付きデータが少ない状況下での訓練速度とモデル性能にどのような影響を与えるか。
• RQ3 提案された2段階の半教師ありフレームワークは、標準的な教師あり学習と比較して、未学習データに対するロバスト性と精度をどの程度向上させるか。
• RQ4 選択された特徴を物理的に解釈可能か。特に、深さや送信レベルといった源の特性と整合性があるか。
• RQ5 ラベル付きデータが極めて少ない状況下で、特徴選択が半教師ありおよび完全に教師ありの両方の学習状況において性能向上をもたらすか。

主な発見

• 提案されたPCA-PCR特徴選択手法により、性能の著しい低下を伴わず、平均して訓練時間を95％削減した。
• 訓練に使用するデータが12.5％にまで制限された状況でも、特徴選択手法は半教師ありおよび完全に教師ありの両設定で局所化精度を向上させた。
• フレームワークは、特にラベル付きデータが少ない状況下で、未学習データに対するロバスト性が向上した。
• 相関ローディングプロットから、浅い源の場合は127、145、198、232、280、335、385 Hz、深い源の場合は238、338、388 Hzの周波数が最も重要であることが明らかになった。これは物理的期待と整合的であった。
• 最も高い送信信号レベルに関連する特徴や391 Hzのようなトーン成分は、源の位置と強く相関していたが、原点付近の特徴は重要性が低く、ノイズとみなされた。