[論文レビュー] Geometry-aware stationary subspace analysis

Inbal Horev, Florian Yger+1 more|arXiv (Cornell University)|May 25, 2016

Blind Source Separation Techniques被引用数 6

ひとこと要約

本稿では、対称正定値（SPD）行列多様体上の幾何最適化問題として定式化された、幾何学的注意を払った定常部分空間分析（gaSSA）を提案する。共分散に基づく手法として、対称化された行列距離をリーマン距離計量として用いることで、SPD行列の内在的幾何構造を活用し、従来のSSAに比べてロバスト性と性能が向上する。合成データおよび実際のBCIデータセットにおいて、特に行列ホワイトニングを施さない状況で、分類精度が顕著に優れていることが示された。

ABSTRACT

In many real-world applications data exhibits non-stationarity, i.e., its distribution changes over time. One approach to handling non-stationarity is to remove or minimize it before attempting to analyze the data. In the context of brain computer interface (BCI) data analysis this may be done by means of stationary subspace analysis (SSA). The classic SSA method finds a matrix that projects the data onto a stationary subspace by optimizing a cost function based on a matrix divergence. In this work we present an alternative method for SSA based on a symmetrized version of this matrix divergence. We show that this frames the problem in terms of distances between symmetric positive definite (SPD) matrices, suggesting a geometric interpretation of the problem. Stemming from this geometric viewpoint, we introduce and analyze a method which utilizes the geometry of the SPD matrix manifold and the invariance properties of its metrics. Most notably we show that these invariances alleviate the need to whiten the input matrices, a common step in many SSA methods which often introduces errors. We demonstrate the usefulness of our technique in experiments on both synthesized and real-world data.

研究の動機と目的

• 時系列データにおける非定常性、特に信号分布が時間とともに変化する脳-コンピュータインターフェース（BCI）アプリケーションにおける非定常性に対処すること。
• 非対称な行列発散度に依存し、幾何的解釈を欠く従来の定常部分空間分析（SSA）の限界を克服すること。
• 共分散行列を対称正定値（SPD）多様体上の点として明示的に幾何的構造をモデル化すること。
• SPD多様体上のリーマン計量の不変性特性を活用して、部分空間学習の性能を向上させること。
• 幾何学的インスパイラションに基づく最適化が、合成的および実世界のBCIデータ設定において優れた性能を発揮することを示すこと。

提案手法

• 本手法は、行列発散度の対称化されたバージョンを用いてSSAを再定式化し、SPD行列間のリーマン距離に変換する。
• データの共分散行列をSPD多様体上の点としてモデル化することで、最適化にリーマン幾何学を適用可能にする。
• 本手法は、アフィン不変性と対称化発散度の2つのリーマン計量——それぞれδ_rおよびδ_sとして定義される——を用いる。
• 最適化の目的関数は、時間フレーム間の共分散行列間の距離を最小化することにあり、射影された信号の分布を安定化させるような射影を求める。
• 本手法は、対称化発散度を最小化するような射影行列を学習することで、非教師ありの方法として適用される。
• BCI実験では、学習された定常部分空間上で性能を評価するために、平均への最小距離（MDM）分類器が用いられた。

実験結果

リサーチクエスチョン

• RQ1 SPD多様体上の距離を用いてコスト関数を再定式化することで、定常部分空間分析に幾何的解釈を確立できるか？
• RQ2 SPD多様体上でのリーマン計量の不変性特性が、部分空間学習のロバスト性と性能をどのように向上させるか？
• RQ3 従来のSSAにおける非対称な行列発散度を対称化発散度に置き換えることで、定常成分の識別が向上するか？
• RQ4 行列ホワイトニングの有無が、実際のBCIデータにおける幾何的SSA手法の性能にどのように影響するか？
• RQ5 提示された幾何学的注意を払った手法が、非定常なEEGデータにおいて、標準的なSSAを上回る分類精度を達成できるか？

主な発見

• 合成データでは、δ_rおよびδ_s計量を用いたgaSSAはホワイトニングなしで平均コスト0.0063 ± 0.0001を達成し、SSAを上回り、複数回の実行において一貫した改善を示した。
• m=10の定常源を有するBCI実験では、ホワイトニングなしのgaSSAが平均分類精度72.94%を達成し、SSAの58.86%を著しく上回った。
• m=14の定常源では、gaSSAはホワイトニングなしで平均精度74.00%を達成し、SSAの66.24%を上回った。これは一貫した優位性を示している。
• 結果から、行列ホワイトニングを施さない手法が常にホワイトニングを施した手法を上回った。これは、事前のホワイトニングがSPD多様体の幾何的構造を歪めている可能性を示唆している。
• δ_rおよびδ_s計量は、実験全体を通じてほぼ同一の性能を示し、幾何的定式化におけるリーマン計量の選択に対して頑健であることを示した。
• 本手法は、実際のEEGデータにおいても定常部分空間を効果的に抽出でき、まばたきアーチファクトなどの非定常要因の影響を軽減し、分類性能を向上させた。