[논문 리뷰] Topological analysis of scalar fields with outliers

Mickaël Buchet, Frédéric Chazal외 4명|arXiv (Cornell University)|2014. 12. 04.

Topological and Geometric Data Analysis참고 문헌 19인용 수 9

한 줄 요약

이 논문은 유한하지 않은 기하학적 및 기능적 이상치에 의해 오염된 스칼라 필드를 위한 강건한 위상적 데이터 분석 방법을 제안한다. k-최근접 이웃 기반 기능 스무딩과 거리-측도 함수를 결합함으로써 기하학적 필터링을 수행하며, 이 알고리즘은 가벼운 표본 조건 하에서 진짜 다이어그램에 이론적으로 가까운 지속성 다이어그램을 생성함을 보장한다. 이는 임의의 기능적 오차가 존재하더라도 가능하다.

ABSTRACT

Given a real-valued function $f$ defined over a manifold $M$ embedded in $\mathbb{R}^d$, we are interested in recovering structural information about $f$ from the sole information of its values on a finite sample $P$. Existing methods provide approximation to the persistence diagram of $f$ when geometric noise and functional noise are bounded. However, they fail in the presence of aberrant values, also called outliers, both in theory and practice. We propose a new algorithm that deals with outliers. We handle aberrant functional values with a method inspired from the k-nearest neighbors regression and the local median filtering, while the geometric outliers are handled using the distance to a measure. Combined with topological results on nested filtrations, our algorithm performs robust topological analysis of scalar fields in a wider range of noise models than handled by current methods. We provide theoretical guarantees and experimental results on the quality of our approximation of the sampled scalar field.

연구 동기 및 목표

• 스칼라 필드 표본에 기능적 이상치와 기하학적 이상치가 존재할 경우 기존 위상적 데이터 분석 방법이 실패하는 문제를 해결하기 위해.
• 유한하지 않은 노이즈 모델, 즉 임의의 기능적 이상치와 기하학적 이상치를 포함한 상황에서도 지속성 다이어그램 근사에 대한 이론적 보장을 제공하기 위해.
• 기하학적 노이즈와 기능적 노이즈를 별도의 필터링 및 추정 기법을 통해 분리하여 처리할 수 있는 통합 프레임워크를 개발하기 위해.
• 유한한 노이즈 가정을 초월하여 실세계 센서 데이터에서 고장 난 측정치가 존재하는 상황에서도 강건한 추론이 가능하도록 위상적 데이터 분석의 적용 범위를 확장하기 위해.

제안 방법

• 이 방법은 k-최근접 이웃 회귀 기반의 새로운 추정자 $\hat{f}$를 도입하며, 중앙값 기반 또는 이질성 기반 스무딩을 통해 기능적 이상치에 강건하도록 수정한다.
• 기하학적 이상치는 거리-측도 함수를 사용하여 처리하며, 이는 기저 만능 $\mathsf{M}$에서 멀리 떨어진 점들을 식별하고 제거한다.
• 알고리즘은 두 단계 과정을 적용한다: 먼저 측도에 대한 거리 기반으로 점들을 필터링하고, 그 다음에 필터링된 집합에서 강건한 회귀를 통해 함수 값을 재추정한다.
• 지속성 다이어그램은 필터링 및 스무딩된 점 집합에 대한 리프스 필터레이션에서 계산되며, 중첩된 필터레이션을 통해 중첩 경계가 이론적으로 유도된다.
• 중첩 이론을 사용하여 이론적 보장을 확립하였으며, 결과 지속성 모듈이 진짜 지속성 모듈과 $\left(\frac{4}{3}\frac{c\rho_{\mathsf{M}}\delta'}{\rho_{\mathsf{M}}-(\eta+{\varepsilon})} + \xi s\right)$-중첩됨을 보여준다.
• 일반화된 표본 조건 하에서 기하학적 노이즈와 기능적 노이즈가 상호 의존할 수 있도록 모델링하면서도, 이를 별개로 다루는 프레임워크를 설계하였다.

실험 결과

연구 질문

• RQ1 관측된 함수 값이 진짜 값으로부터 무한히 떨어질 수 있는 무한한 기능적 이상치에 대해 위상적 데이터 분석을 어떻게 강건하게 만들 수 있는가?
• RQ2 기저 만능에 대한 사전 지식 없이도 기하학적 이상치—잘못된 위치를 가진 점—를 효과적으로 필터링할 수 있는 방법은 무엇인가?
• RQ3 유한하지 않은 노이즈를 允허하는 일반화된 표본 조건 하에서 진짜 지속성 다이어그램 근사에 대해 이론적으로 보장을 할 수 있는가?
• RQ4 기능적 노이즈와 기하학적 노이즈를 어떻게 분리하여 처리할 수 있을까? 이는 둘 다 존재하는 상황에서 위상적 구조를 유지하는 데에 필수적이다.

주요 결과

• 제안된 알고리즘은 진짜 지속성 모듈과 계산된 모듈 사이에 이론적 중첩 경계를 확보하며, 이 경계는 $\left(\frac{4}{3}\frac{c\rho_{\mathsf{M}}\delta'}{\rho_{\mathsf{M}}-(\eta+{\varepsilon})} + \xi s\right)$이다. 여기서 $\xi = 1$은 k-중심값, $\xi = \left(1+2\sqrt{\frac{k-k'}{2k'-k}}\right)$는 이질성 기반 추정에 해당한다.
• 이전의 유한한 노이즈 가정을 가진 방법들이 처리하지 못하는, 임의로 큰 오차를 가진 기능적 이상치도 효과적으로 처리할 수 있다.
• 유한한 하우스도르프 거리, 유한한 기능 오차, 유한한 워샤르의 정거리를 특수 케이스로 포함하는 일반화된 표본 조건 하에서 이론적 보장을 확립하였다.
• 실험 결과는 심각한 노이즈 조건 하에서도 알고리즘이 진짜 지속성 다이어그램의 고품질 근사치를 생성함을 보여주며, 이상치 존재 시 기존 표준 방법보다 뛰어난 성능을 보였다.
• 이론적 프레임워크는 상호의존적 노이즈에 강건하다: 기하학적 이상치가 기능적 이상치를 유발하는 경우, 이는 기능 스무딩 이전에 거리-측도 필터를 통해 처리된다.