[论文解读] Ray-based classification framework for high-dimensional data

Justyna P. Zwolak, Sandesh S. Kalantre+3 more|arXiv (Cornell University)|Oct 1, 2020

Neural Networks and Applications参考文献 12被引用 5

一句话总结

本文提出了一种基于射线的深度学习框架，通过仅使用一维‘射线’数据而非完整的二维或三维图像，对高维几何结构（如量子点器件态）进行分类。通过从兴趣点采样射线，并在其特征交点上训练全连接深度神经网络（DNN），该方法在减少高达60%的数据采集量的同时，实现了与基于图像的模型相当的分类准确率，显著降低了测量时间和成本。

ABSTRACT

While classification of arbitrary structures in high dimensions may require complete quantitative information, for simple geometrical structures, low-dimensional qualitative information about the boundaries defining the structures can suffice. Rather than using dense, multi-dimensional data, we propose a deep neural network (DNN) classification framework that utilizes a minimal collection of one-dimensional representations, called \emph{rays}, to construct the "fingerprint" of the structure(s) based on substantially reduced information. We empirically study this framework using a synthetic dataset of double and triple quantum dot devices and apply it to the classification problem of identifying the device state. We show that the performance of the ray-based classifier is already on par with traditional 2D images for low dimensional systems, while significantly cutting down the data acquisition cost.

研究动机与目标

• 降低分类高维量子点器件态的数据采集成本。
• 开发一种可扩展的、低数据需求的框架，用于对高维参数空间中的凸几何结构进行分类。
• 实现实时、原位分类，适用于在线学习和实验调优。
• 证明低维射线表征可保留与完整二维/三维图像输入相当的分类性能。

提出的方法

• 该框架使用射线——从参考点 x_o 到半径为 r 的球面上 M 个点的 R^N 中的线段——来采样兴趣点周围的局部几何结构。
• 对每条射线分析其‘特征’——即多面体函数 p(x)=1 的点——以指示关键边界，如量子点中的电子转移。
• 使用从 M 条射线中提取的1D特征向量，训练全连接深度神经网络（DNN）以对底层结构进行分类。
• 该方法采用 M-投影：从 x_o 发出的一组 M 条射线，其长度和数量经过调整，以在信息量和数据效率之间取得平衡。
• 该方法在双量子点和三量子点系统生成的合成数据集上进行测试，涵盖不同数量和长度的射线。
• 通过多次训练运行的准确率和置信区间对性能进行评估，并与基于图像的基准模型进行比较。

实验结果

研究问题

• RQ1 一组最小的1D射线样本是否足以捕捉足够的几何信息，从而实现与完整二维/三维图像相当的高维结构分类准确率？
• RQ2 射线的数量和长度如何影响分类性能和数据效率？
• RQ3 基于射线的分类器是否能在减少数据采集时间和成本的同时，优于或至少匹配基于图像的模型？
• RQ4 在实现高准确率的同时，射线数量和长度的最佳配置是什么？

主要发现

• 对于双量子点系统，使用6条长度为60像素的射线，分类准确率达到96.4%（σ=0.4%），相比二维图像基准，数据需求减少了60%。
• 使用18条长度为60的射线，三量子点分类器达到79.9%的准确率（σ=0.3%），表明增加射线数量可提升性能。
• 较短的射线（低于形状的内径）导致特征集为空，指纹信息不足，从而降低准确率。
• 增加DNN的深度或宽度并未提升准确率，表明射线表征本身是关键的信息来源。
• 分类器性能随总测量点数的增加而提升，但若射线长度减小，则射线数量的增加未必带来性能提升。