[論文レビュー] Capturing Dynamics of Time-Varying Data via Topology

Lu Xian, Henry Adams+2 more|arXiv (Cornell University)|Oct 7, 2020

Topological and Geometric Data Analysis参考文献 50被引用数 5

ひとこと要約

本稿では、時間変動する距離空間のための新しい3次元位相的要約、crocker stackを紹介する。この要約は、時間的要因、スケール、位相的恒続性の情報を統合する。Gromov-Hausdorff距離の下での連続性が証明され、安定性が示され、生物学的集団モデルにおけるパラメータ回復の実験では、計算コストがやや高いものの、従来の順序パラメータを上回る性能を示している。

ABSTRACT

One approach to understanding complex data is to study its shape through the lens of algebraic topology. While the early development of topological data analysis focused primarily on static data, in recent years, theoretical and applied studies have turned to data that varies in time. A time-varying collection of metric spaces as formed, for example, by a moving school of fish or flock of birds, can contain a vast amount of information. There is often a need to simplify or summarize the dynamic behavior. We provide an introduction to topological summaries of time-varying metric spaces including vineyards [19], crocker plots [56], and multiparameter rank functions [37]. We then introduce a new tool to summarize time-varying metric spaces: a crocker stack. Crocker stacks are convenient for visualization, amenable to machine learning, and satisfy a desirable continuity property which we prove. We demonstrate the utility of crocker stacks for a parameter identification task involving an influential model of biological aggregations [58]. Altogether, we aim to bring the broader applied mathematics community up-to-date on topological summaries of time-varying metric spaces.

研究の動機と目的

• 時間変動する距離空間を分析するための位相的手法、すなわちビンヤード、crockerプロット、多パラメータランク関数について包括的な概説を行うこと。
• 動的データの安定的で機械学習に適した要約のニーズに対応し、新たな表現であるcrocker stackを導入すること。
• 集団行動モデルを用いた実世界のパラメータ同定タスクにおいて、crocker stackの識別力の評価を行うこと。
• Gromov-Hausdorff距離の下でcrocker stackの理論的連続性を確立し、入力データの微小な摂動に対しても頑健であることを保証すること。

提案手法

• 時間とスケールの両方で恒続ホモロジーを計算することでcrocker stackを構築し、各時刻とスケールパラメータでベアトリス・リップス複体を用いて持久図を構築する。
• 3次元可視化として、x軸を時間、y軸をスケール（ε）、z軸を恒続ホモロジー群のランクとする。これにより、持久図のスタックが形成される。
• 時間 $ t $、スケール $ \varepsilon $、平滑化パラメータ $ \alpha $ における恒続ホモロジー群のランクを関数 $ f_{\mathbf{X}}(t, \varepsilon, \alpha) $ として定義し、機械学習に適したベクトル化を可能にする。
• Gromov-Hausdorff距離の下でのcrocker stackの連続性を証明：2つの時間変動する距離空間が $ d_{\mathrm{GH}}^\infty $ で $ \delta/2 $ 以内にあるならば、その持久図のランク関数に関する不等式を用いて、crocker stackも制御された方法で近くなる。
• 各時刻とスケールにおける持久図間の $ L_p $-ウォッシャーティン距離を用い、時間軸に沿った $ L_q $-平均化を適用することで、機械学習適合性を持つ $ (p,q) $-距離をcrocker stackに定義する。
• 生物学的集団モデルの代表的モデルを用いた計算実験により、crockerスタックおよびプロットと従来の順序パラメータを比較し、パラメータ回復性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 時間変動データの位相的要約を、機械学習応用に適した安定性を持つようにどのように設計できるか？
• RQ2 生物学的集団モデルのパラメータ回復タスクにおいて、crocker stackは従来の順序パラメータに比べてどれほど高い識別力を持つのか？
• RQ3 Gromov-Hausdorff距離の下でのcrocker stackの連続性は、ビンヤードやcrockerプロットといった他の位相的要約と比べてどのように異なるか？
• RQ4 異なる $ (p,q) $-距離が、ベクトル化されたcrockerスタックの下流の機械学習タスクに与える影響は何か？
• RQ5 時間変動する位相的記述子、例えば持続的画像やラングスキー図は、動的データにおける分類タスクに効果的に用いることができるか？

主な発見

• crocker stackはGromov-Hausdorff距離の下で連続であることが証明された：2つの時間変動する距離空間が $ \delta/2 $ 以内にあるならば、$ f_{\mathbf{X}}(t,\varepsilon,\alpha+\delta) \leq f_{\mathbf{Y}}(t,\varepsilon,\alpha) $ およびその逆も成り立つ。
• 生物学的集団モデルのパラメータ回復タスクにおいて、crocker stackは従来の順序パラメータを上回る性能を示し、より高い識別力を持つことが示された。
• 各時刻における恒続ホモロジーの計算が必要なため、crockerプロットおよびスタックの計算コストは、順序パラメータの計算に比べて約2桁高い。
• crocker stackはベクトル化可能で、機械学習に適している。これに対して、多パラメータランク関数やビンヤードといった安定な要約は、直接的なベクトル化が困難である。
• ビンヤードのように複数の持久図をスタックする必要がないため、crocker stackはより直感的な3次元可視化を提供する。また、crockerプロットよりも安定性に優れる。
• $ (p,q) $-距離フレームワークにより、持久図間の $ L_p $-ウォッシャーティン距離と時間軸に沿った $ L_q $-平均化を組み合わせることで、crockerスタックの柔軟な比較が可能になる。