Core Concepts
이 논문은 리 군에 대한 일반적인 리만 배치 정규화 프레임워크를 제안하며, 리만 평균과 분산을 모두 제어할 수 있는 이론적 보장을 제공한다. 또한 SPD 매니폴드에 대한 세 가지 유형의 매개변수화된 리 군을 정의하고, 이를 기반으로 한 특정 정규화 레이어를 제안한다.
Abstract
이 논문은 리 군에 대한 일반적인 리만 배치 정규화 프레임워크를 제안한다. 기존의 리만 정규화 방법들은 특정 매니폴드 또는 메트릭에 국한되어 있었지만, 이 논문의 프레임워크는 리만 평균과 분산을 모두 제어할 수 있는 이론적 보장을 제공한다.
구체적으로, 이 논문은 SPD 매니폴드에 대한 세 가지 유형의 매개변수화된 리 군을 정의한다. 이를 통해 기존의 리 군 구조를 일반화하고, 이에 기반한 특정 정규화 레이어를 제안한다.
실험 결과, 제안된 리 군 기반 정규화 레이어가 레이더 인식, 인간 동작 인식, 뇌파 분류 등의 다양한 SPD 신경망 응용 분야에서 효과적임을 보여준다. 특히 기존 방법 대비 성능 향상과 더불어 효율성 측면에서도 장점을 가진다.
Stats
리 군 M에서 X의 가우시안 분포 N(M, σ2)의 확률 밀도 함수는 p(X|M, σ2) = k(σ)exp(-d(X, M)2/(2σ2))이다.
배치 평균 Mb와 분산 v2b를 이용하여 running mean Mr과 running variance v2r을 업데이트한다.
Quotes
"Manifold-valued measurements exist in numerous applications within computer vision and machine learning."
"Nonetheless, most of the existing Riemannian normalization methods have been derived in an ad hoc manner and only apply to specific manifolds."
"Our framework offers the theoretical guarantee of controlling both the Riemannian mean and variance."