Mathematical Morphology in Machine Learning

Resumen Técnico: Morfología Matemática en el Aprendizaje Automático

Planteamiento del Problema
Aunque la Morfología Matemática (MM) es una teoría establecida en la computación visual para el análisis de objetos gráficos basados en forma, tamaño y convexidad, su aplicación en el aprendizaje automático sigue estando subutilizada. Las técnicas de aprendizaje automático existentes a menudo no explotan suficientemente la información de forma y densidad. Además, los métodos actuales de agrupamiento (clustering) y clasificación ya sea dependen de heurísticas que no se adhieren plenamente a los principios de la MM o carecen de la capacidad de modelar simultáneamente la información fractal, la forma y la densidad. Adicionalmente, en entornos discretos (como el procesamiento basado en GPU), las métricas de distancia estándar presentan compensaciones: la distancia euclidiana es computacionalmente costosa y requiere cuantización, mientras que las distancias de Chebyshev y Manhattan son rápidas pero de naturaleza "cuadrada", fallando al aproximar eficazmente la iteración circular de la distancia euclidiana.

Metodología
El artículo propone un marco que integra la morfología matemática en el aprendizaje automático a través de tres componentes principales:

1. Algoritmo de Agrupamiento de Conjuntos Morfológicos k (k-MS):

   • Este algoritmo utiliza la reconstrucción morfológica en lugar de operaciones binarias (a diferencia de los algoritales previos de Agrupamiento de Morfología Binaria).
   • Opera sobre una rejilla donde se mapean las instancias de datos. Se utiliza un elemento estructurante $B$ (que contiene inicialmente ceros) y una máscara $M$ para realizar la reconstrucción.
   • El algoritmo emplea una variable interna $\delta$ para controlar el tamaño del elemento estructurante. Incrementa $\delta$ iterativamente para hacer crecer los grupos hasta alcanzar un estado idempotente o acercarse a un número predefinido de grupos ($k$).
   • Si el número de índices de grupo únicos excede $k$, se incrementa $\delta$; si la reconstrucción deja de ser idempotente (los grupos se fusionan), $\delta$ se reinicia a 1 y el proceso se repite.
   • El método segmenta intrínsecamente el ruido en grupos pequeños e independientes sin costos de procesamiento adicionales.

2. Nueva Métrica de Distancia:

   • Para optimizar la iteración de vecindad en espacios discretos (específicamente para la implementación en GPU), se propone una nueva métrica de distancia.
   • Esta métrica es una combinación ponderada de la distancia de Chebyshev y la distancia de Minkowski (Ecuación 1: $d_{R^p}(x,y) = w_1 \sum |x_i - y_i|^p + w_2 \max |x_i - y_i|$).
   • Al ajustar los pesos $w_1$ y $w_2$ y el parámetro $p$, la métrica puede converger hacia comportamientos de Chebyshev o Minkowski.
   • En 2D ($R^2$), esta distancia produce una forma octogonal, la cual es geométricamente más cercana a la distancia circular euclidiana que las formas cuadradas producidas por las distancias de Manhattan o Chebyshev.

3. Clasificadores Morfológicos:

   • Los autores proponen clasificadores que hacen crecer las instancias de entrenamiento mediante dilataciones para cubrir el espacio no etiquetado.
   • Estos clasificadores se implementan en Unidades de Procesamiento Gráfico (GPUs) para explotar el procesamiento paralelo, donde las celdas de la rejilla crecen simultáneamente.
   • Cuando ocurren intersecciones durante el crecimiento, un esquema de votación determina la etiqueta.

Contribuciones Clave

• Algoritmo k-MS: Una técnica de agrupamiento que preserva la forma y la densidad, ofrece un sentido intrínseco del número máximo de grupos creables (independientemente de $k$) y elimina el ruido sin sobrecarga computacional adicional.
• Métrica de Distancia Híbrida: Una nueva métrica que combina las distancias de Chebyshev y Minkowski que ofrece un equilibrio entre la eficiencia computacional de las distancias "cuadradas" y la precisión geométrica de la distancia euclidiana.
• Implementación Optimizada para GPU: El desarrollo de clasificadores morfológicos y cálculos de distancia diseñados específicamente para entornos de bajo nivel de GPU, evitando accesos lentos a kernels o tamaños de kernel indefinidos.
• Evaluación Exhaustiva: Pruebas extensas de la métrica de distancia propuesta utilizando el clasificador de k-Vecinos más Cercanos (k-NN) en 33 conjuntos de datos de la UCI.

Resultados

• Eficiencia de Agrupamiento: Se encontró que el algoritmo k-MS es más rápido que las técnicas de agrupamiento basadas en densidad de vanguardia, al tiempo que ofrece características únicas como la eliminación de ruido y la preservación de la forma. En el análisis de tiempo frente a k-Means paralelo (CPU), el k-MS demostró un rendimiento competitivo o superior, particularmente a medida que aumentaba el número de grupos debido a las optimizaciones de interrupción temprana.
• Desempeño de la Métrica de Distancia:
  • Velocidad: En tareas de iteración de vecindad discreta en $Z^2$, la distancia propuesta fue aproximadamente 1.3 veces más rápida que la distancia de Manhattan y 329.5 veces más rápida que la distancia euclidiana.
  • Precisión: Al ser evaluada con k-NN en 33 conjuntos de datos de la UCI, la distancia propuesta alcanzó precisiones superiores al promedio de otras 14 distancias en 26 de los 33 casos. Logró la mejor precisión individual en 9 de los 33 casos.
• Agrupamiento Visual: En conjuntos de datos con ruido, k-MS segregó con éxito los grupos genuinos y los valores atípicos, mientras que otros algoritmos (como Chameleon) a veces agrupaban los valores atípicos con los grupos genuinos, y otros (como Mitosis) fallaban al separar el ruido.

Significancia y Reivindicaciones
Los autores afirman que este trabajo representa la primera propuesta de técnicas de clasificación y agrupamiento que se basan enteramente en técnicas de morfología matemática, yendo más allá de las conexiones heurísticas. El artículo sostiene que ningún otro clasificador en la literatura actual puede modelar adecuadamente la forma, la densidad y la información fractal de manera simultánea.

La significancia de este trabajo radica en cerrar la brecha entre la teoría de la computación visual y el aprendizaje automático, proporcionando herramientas que no solo son teóricamente sólidas respecto a la forma y la densidad, sino también computacionalmente eficientes para el hardware moderno (GPUs). La métrica de distancia propuesta se destaca como una solución práctica para entornos de computación de alto rendimiento donde la distancia euclidiana es demasiado lenta y las distancias de Manhattan/Chebyshev carecen de suficiente fidelidad geométrica. Los autores señalan que estas contribuciones ya han dado lugar a múltiples publicaciones en revistas de prestigio como Pattern Recognition y Pattern Recognition Letters.