[論文レビュー] Approximating Persistent Homology for Large Datasets

Yueqi Cao, Anthea Monod|arXiv (Cornell University)|Apr 19, 2022

Topological and Geometric Data Analysis被引用数 4

ひとこと要約

この論文では、直接計算が不可能な大規模データセットにおけるパーゼンティスティック・ホモロジーの近似に、ブートストラップ・サブサンプリングを用いることを提案する。複数のサブサンプルからのパーシステンス図の平均を計算することで、統計的に妥当で収束する真のパーシステンス図への近似が得られ、フリーチェ平均と Wasserstein 穩定性を用いた確率的集合論により、明示的な収束レートが導出される。

ABSTRACT

Persistent homology is an important methodology in topological data analysis which adapts theory from algebraic topology to data settings. Computing persistent homology produces persistence diagrams, which have been successfully used in diverse domains. Despite its widespread use, persistent homology is simply impossible to compute when a dataset is very large. We study a statistical approach to the problem of computing persistent homology for massive datasets using a multiple subsampling framework and extend it to three summaries of persistent homology: Hölder continuous vectorizations of persistence diagrams; the alternative representation as persistence measures; and standard persistence diagrams. Specifically, we derive finite sample convergence rates for empirical means for persistent homology and practical guidance on interpreting and tuning parameters. We validate our approach through extensive experiments on both synthetic and real-world data. We demonstrate the performance of multiple subsampling in a permutation test to analyze the topological structure of Poincaré embeddings of large lexical databases.

研究の動機と目的

• 非常に大規模なデータセットにおけるパーゼンティスティック・ホモロジーの計算の非現実性に対処すること。
• サブサンプリングを用いて真のパーシステンス図の統計的に妥当な近似を構築すること。
• サブサンプルからのパーシステンス図の平均が真のパーシステンス測度へ収束する有限標本収束レートを確立すること。
• ベクトル化された形式ではなく、パーシステンス図としての結果を返すことにより、解釈可能性を維持すること。
• トポロジカル・データ分析の適用範囲を、点群やメトリック空間を含む大規模な実世界データへ拡張すること。

提案手法

• 大規模データセットから複数の小さなサブサンプルを抽出することで、古典的ブートストラップを適応する。
• 各サブサンプルに対してパーシステンス図を計算し、それらの平均を平均パーシステンス測度として用いる。
• Wasserstein 距離の下でパーシステンス図の空間におけるフリーチェ平均を定義するために用いる。
• パーシステンス図の凸性および安定性の性質と、確率的集合論を組み合わせて収束バウンドを導出する。
• バイアス–バリアンス分解を用いて近似誤差を制御し、サブサンプルサイズとサブサンプル数を指針とする。
• 合成データおよび実データを用いた検証を行い、大規模な点群における形状クラスタリングを含む。

実験結果

リサーチクエスチョン

• RQ1 サブサンプルからのパーシステンス図の平均は、大規模データセットの真のパーシステンス図に対して一貫した近似を提供できるか？
• RQ2 パーシステンス図の平均が真のパーシステンス測度へ収束する有限標本収束レートは何か？
• RQ3 サブサンプルサイズとサブサンプル数の選択が、近似誤差にどのように影響するか？
• RQ4 この手法は、スケーラブルなトポロジカル解析を可能にしつつ、解釈可能性を維持できるか？
• RQ5 このアプローチは、有限メトリック空間や重み付きグラフなど、非ユークリッドなデータタイプへ一般化可能か？

主な発見

• サブサンプルからの平均パーシステンス図は、確率的集合論を用いて明示的なバウンドが導出された、定量的レートで真のパーシステンス図へ収束する。
• 最適部分輸送距離の下で収束を達成し、バイアスおよびバリアンス成分に対する理論的保証が得られる。
• 損失を伴うベクトル化を避けるため、パーシステンス図としての結果を返すことで、解釈可能性が維持される。
• 合成データおよび実データ（'Knot'、'Lock'、'Bearing'、'Motor' の点群を含む）に対する実証的検証により、形状クラスタリングにおける優れた性能が確認された。
• 一般の有限メトリック空間および重み付きグラフに対しても良好に動作し、ユークリッド点群にとどまらない広範な一般化の可能性を示唆している。
• このフレームワークにより、直接的なパーゼンティスティック・ホモロジー計算が不可能な大規模データセットに対しても、実用的なトポロジカル解析が可能になる。