[论文解读] On the Estimation of Pointwise Dimension

Shohei Hidaka, Neeraj Kashyap|arXiv (Cornell University)|Dec 9, 2013

Mathematical Dynamics and Fractals参考文献 6被引用 5

一句话总结

本文提出了一种新颖的无极限点维数估计器，以克服Grassberger-Procaccia相关维数估计器在维度盲化和有限样本下的局限性。通过使用变分贝叶斯算法对局部测度增长进行建模，该方法能够捕捉数据点之间的局部分形结构，从而在复杂数据集中检测噪声、随机性以及本征维度。

ABSTRACT

Our goal in this paper is to develop an effective estimator of fractal dimension. We survey existing ideas in dimension estimation, with a focus on the currently popular method of Grassberger and Procaccia for the estimation of correlation dimension. There are two major difficulties in estimation based on this method. The first is the insensitivity of correlation dimension itself to differences in dimensionality over data, which we term "dimension blindness". The second comes from the reliance of the method on the inference of limiting behavior from finite data. We propose pointwise dimension as an object for estimation in response to the dimension blindness of correlation dimension. Pointwise dimension is a local quantity, and the distribution of pointwise dimensions over the data contains the information to which correlation dimension is blind. We use a "limit-free" description of pointwise dimension to develop a new estimator. We conclude by discussing potential applications of our estimator as well as some challenges it raises.

研究动机与目标

• 解决相关维数的维度盲化问题，该问题无法区分分形测度中局部维度的变化。
• 通过引入一种局部的、逐点的维数度量，克服传统估计器对渐近行为的依赖。
• 开发一种实用的有限样本估计器，避免收敛假设，并可直接应用于经验数据。
• 实现对时间序列和分形数据中噪声、随机效应及内在几何结构的检测。
• 通过局部维数估计为降噪和动力系统分析提供基础。

提出的方法

• 将点维数定义为在收缩球内测度的局部标度指数：$ D_{\mu}(x) = \lim_{\epsilon \to 0} \frac{\log \mu(B(x,\epsilon))}{\log \epsilon} $，使用下极限/上极限以增强鲁棒性。
• 通过将ε的极限替换为最近邻距离上的统计推断问题，提出一种无极限的公式化方法。
• 使用变分贝叶斯算法推断各数据点处点维数的后验分布。
• 实施两阶段算法：固定阶段（初始聚类）和聚类阶段（通过后验更新进行优化）。
• 在维数值上定义先验分布，以在稀疏数据区域中实现估计的正则化。
• 使用后验均值估计每个数据点的平均点维数，从而实现在有限样本下的稳健推断。

实验结果

研究问题

• RQ1 点维数估计能否克服相关维数在分形测度中对维度盲化的局限？
• RQ2 如何构建一种无极限估计器，以避免在有限数据中对渐近行为的依赖？
• RQ3 所提出的估计器能否检测到如Cantor测度这类确定性分形集合中的噪声污染？
• RQ4 该估计器能否揭示分数布朗运动等随机过程中点维数的增长特性？
• RQ5 点维数与建模局部数据结构所需参数数量之间存在何种关系？

主要发现

• 所提出的估计器成功检测到在三种噪声水平下（完整、重叠、主导噪声）的噪声Cantor集中的结构变化。
• 当噪声水平低于平均最近邻距离时，估计的点维数保持接近理论值 $ \log 2 / \log 3 \approx 0.6309 $，表明其具有鲁棒性。
• 当噪声水平超过支撑尺度时，估计的维数收敛于2，反映出嵌入空间中均匀噪声的主导作用。
• 在噪声水平从1到100的布朗运动数据中，估计器仅检测到一个聚类，表明尽管存在随机性，其局部维数保持一致。
• 分数布朗运动的平均点维数随嵌入维数增加而增加，与理论预期一致，且与GP估计器的行为形成对比。
• 该方法揭示了点维数与建模数据所需局部参数数量之间可能存在联系，提示其在降噪和降维中的应用潜力。