[论文解读] Illumination depth

Stanislav Nagy, Jiří Dvořák|arXiv (Cornell University)|May 10, 2019

Advanced Statistical Methods and Models参考文献 22被引用 5

一句话总结

本文引入了'光照深度'（illumination depth）这一多变量统计中的新深度概念，通过解决深度排序中的 tie（并列）问题，并将深度计算扩展至数据凸包之外，从而改进了半空间深度（halfspace depth）。该方法利用凸几何中的光照体（illumination bodies），构建了一个仿射不变、鲁棒且一致收敛的深度函数，提升了分辨率并更好地契合常见概率分布。

ABSTRACT

The concept of illumination bodies studied in convex geometry is used to amend the halfspace depth for multivariate data. The proposed notion of illumination enables finer resolution of the sample points, naturally breaks ties in the associated depth-based ordering, and introduces a depth-like function for points outside the convex hull of the support of the probability measure. The illumination is, in a certain sense, dual to the halfspace depth mapping, and shares the majority of its beneficial properties. It is affine invariant, robust, uniformly consistent, and aligns well with common probability distributions.

研究动机与目标

• 解决半空间深度的局限性，特别是其无法解决深度排序中的并列问题，以及在数据凸包外部无定义的问题。
• 开发一种类似深度的函数，将有意义的深度评估扩展至数据支撑集凸包之外的点。
• 在保持半空间深度优良特性（如仿射不变性与鲁棒性）的同时，提升分辨率与一致性。
• 利用凸几何中的光照体，为半空间深度提供一种对偶框架，实现对数据点更精细的区分。

提出的方法

• 该方法采用凸几何中的光照体概念，定义一种新深度函数，通过引入对数据集中程度的方向敏感性，对半空间深度进行精细化处理。
• 基于点的支撑半空间与一组扩展的光照体之间的交集体积，构建深度度量。
• 通过几何对偶性，确定从该点视角覆盖数据所需的最小'光照'量，从而确定点的深度。
• 通过依赖保持凸性与体积比的几何变换，确保仿射不变性。
• 通过基于方向性数据密度与形状的差异，自然地解决深度排序中的并列问题，赋予不同的深度值。
• 在弱正则性条件下，该方法具有统一一致性，并与椭圆分布及对称分布高度一致。

实验结果

研究问题

• RQ1 如何对半空间深度进行改进，以解决多变量数据中样本点间深度排序的并列问题？
• RQ2 能否为数据支撑集凸包外部的点定义一种深度函数，同时保持鲁棒性与仿射不变性等关键性质？
• RQ3 何种几何框架可实现半空间深度的对偶形式，以维持一致性并提升分辨率？
• RQ4 所提出的光照深度在行为特征与常见概率分布的对齐方面表现如何？

主要发现

• 光照深度提供了更精细的深度排序，通过引入数据集中程度的方向信息，解决了半空间深度中固有的并列问题。
• 该方法将深度计算扩展至数据凸包之外，使离群点也能获得有意义的深度评估。
• 光照深度保持了仿射不变性、鲁棒性与统一一致性，保留了半空间深度的核心优势。
• 该深度函数与常见概率分布（尤其是椭圆分布与对称分布）高度一致，表明其具有强大的统计一致性。
• 光照深度与半空间深度之间的几何对偶性，为多变量分析中的基于深度的推断提供了新的理论框架。