Deconvolution for the Wasserstein Metric and Geometric Inference - Archive ouverte HAL Access content directly
Journal Articles Electronic Journal of Statistics Year : 2011

Deconvolution for the Wasserstein Metric and Geometric Inference

(1) , (1) , (2) , (3)
1
2
3
Claire Caillerie
  • Function : Author
  • PersonId : 863286
Frédéric Chazal
Jérôme Dedecker
  • Function : Author
  • PersonId : 900512

Abstract

Recently, \cite{Chazaletal11} have defined a distance function to measures to answer geometric inference problems in a probabilistic setting. According to their result, the topological properties of a shape can be recovered by using the distance to a known measure $\nu$, if $\nu$ is close enough to a measure $\mu$ concentrated on this shape. Here, close enough means that the Wasserstein distance $W_2$ between $\mu$ and $\nu$ is sufficiently small. Given a point cloud, a natural candidate for $\nu$ is the empirical measure $\mu_n$. Nevertheless, in many situations the data points are not located on the geometric shape but in the neighborhood of it, and $\mu_n$ can be too far from $\mu$. In a deconvolution framework, we consider a slight modification of the classical kernel deconvolution estimator, and we give a consistency result and rates of convergence for this estimator. Some simulated experiments illustrate the deconvolution method and its application to geometric inference on various shapes and with various noise distributions.
La notion de fonction distance à une mesure récemment introduite dans \cite{Chazaletal11} permet de répondre à des problémes d'inférence géométrique dans un cadre probabiliste : les propriétés topologiques d'un compact $K \subset \mathbb{R}^d$ peuvent être estimées à l'aide de la fonction distance à une mesure de probabilité connue $\nu$ si celle-ci se trouve suffisamment proche (au sens de la distance de Wasserstein $W_2$) d'une mesure $\mu$ dont $K$ est le support. En pratique lorsque les observations sont corrompues par du bruit, la mesure empirique associée aux observations n'est généralement pas assez proche de $\mu$ pour pouvoir être utilisée directement. Dans cet article on propose une solution à ce problème dans un contexte de déconvolution oú la nature du bruit est connu. On considére une variante de l'estimateur par noyau de déconvolution classique dont on établit la consistence et des vitesses de convergence. On illustre la méthode proposée et ses applications en inférence géométrique sur différentes formes géométriques et différentes distributions de bruit sur les observations.
Fichier principal
Vignette du fichier
RR-7678.pdf (4.21 Mo) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

inria-00607806 , version 1 (11-07-2011)

Identifiers

Cite

Claire Caillerie, Frédéric Chazal, Jérôme Dedecker, Bertrand Michel. Deconvolution for the Wasserstein Metric and Geometric Inference. Electronic Journal of Statistics , 2011, 5, pp.1394-1423. ⟨10.1214/11-EJS646⟩. ⟨inria-00607806⟩
539 View
601 Download

Altmetric

Share

Gmail Facebook Twitter LinkedIn More