[論文レビュー] Geometric operations implemented by conformal geometric algebra neural nodes

Eckhard Hitzer|arXiv (Cornell University)|Jun 6, 2013

Algebraic and Geometric Analysis参考文献 2被引用数 9

ひとこと要約

本稿では、回転、平行移動、反転、スケーリングなどの正確な幾何変換を、点、直線、球などの幾何的対象に対して実行できる、多重ベクトル値の重みを用いる共形幾何代数ニューロン（幾何ニューロン）を導入する。共形幾何代数におけるバーサー（versor）を活用することで、従来のネットワークよりも複雑なユークリッド変換をより正確に学習できる。

ABSTRACT

Geometric algebra is an optimal frame work for calculating with vectors. The geometric algebra of a space includes elements that represent all the its subspaces (lines, planes, volumes, ...). Conformal geometric algebra expands this approach to elementary representations of arbitrary points, point pairs, lines, circles, planes and spheres. Apart from including curved objects, conformal geometric algebra has an elegant unified quaternion like representation for all proper and improper Euclidean transformations, including reflections at spheres, general screw transformations and scaling. Expanding the concepts of real and complex neurons we arrive at the new powerful concept of conformal geometric algebra neurons. These neurons can easily take the above mentioned geometric objects or sets of these objects as inputs and apply a wide range of geometric transformations via the geometric algebra valued weights.

研究の動機と目的

• 幾何代数を用いて幾何的対象と変換をネイティブに扱えるニューラルネットワークフレームワークの開発を目的とする。
• 実数、複素数、クaternionニューロンを、共形幾何代数における多重ベクトル重みを有する幾何ニューロンへと拡張することを目的とする。
• バーサーに基づく重みを用いて、回転、平行移動、反転などの幾何変換を正確に学習できるようにすることを目的とする。
• 従来のマルチレイヤーパーセプトロンと比較して、非線形幾何操作の学習において幾何ニューロンが優れた性能を示すことを実証することを目的とする。

提案手法

• 幾何ニューロンは、多重ベクトル重みバーサー W と入力多重ベクトル X を用いた両側乗算を用いる：Y = (-1)^w W⁻¹ X W + Θ。
• バーサー W は、共形幾何代数 G(3+1,1) 内の可逆なベクトルの幾何積として構築され、ローター、トランスレーター、モーターなどの変換を表す。
• モデルは、基底ベクトル e₀, e∞, および e₁,e₂,e₃ を用いて、すべてのユークリッド幾何的対象（点、直線、平面、球）を5次元共形空間内の多重ベクトルとして埋め込む。
• 変換はバーサー共役を用いて実装される：X′ = (-1)^v V⁻¹ X V、ここで V は反転または回転を表すバーサーである。
• 基本的変換（ローター、トランスレーター、モーター、スケール演算子）は、それらのバーサーを乗算することで代数的に組み合わせられる。
• バーサーの合成により、ねじり運動、グライド反転、回転反転などの複雑な変換の学習が可能になる。

実験結果

リサーチクエスチョン

• RQ1 幾何代数を用いて、点、直線、球などの幾何的対象を自然に表現・変換できるニューラルノードを設計できるか？
• RQ2 共形幾何代数におけるバーサーを、幾何変換を表現・適用可能な学習可能な重みとしてどのように利用できるか？
• RQ3 幾何ニューロンは、球における反転などの幾何操作の学習において、標準的なニューラルネットワークを上回る性能を示せるか？
• RQ4 共形幾何代数における多重ベクトル値の重みを用いて、どのような幾何変換を正確に表現・学習できるか？

主な発見

• 多重ベクトル値の重みを有する幾何ニューロンは、球における反転などの変換を正確に学習でき、線形ネットワークやマルチレイヤーパーセプトロンと比較して優れた性能を発揮する。
• 共形幾何代数モデルは、円や球などの曲線的対象を含む、すべてのユークリッド幾何的対象を、1つの5次元代数的枠組みに統一的に表現できる。
• すべての適切および不適切なユークリッド変換（平行移動、回転、反転、スケーリングを含む）が、共形モデルにおけるバーサーによる直交変換として表現される。
• 基本的変換（例：ねじり運動、グライド反転、回転反転）の組み合わせは、対応するバーサーの乗算により代数的に生成され、複雑な幾何操作が可能になる。
• 代数における反転および幾何積の使用により、幾何操作の計算が効率的かつ正確に行え、共形空間内での内積と距離が保存される。