[論文レビュー] Complexes of Tournaments, Directionality Filtrations and Persistent Homology

Dejan Govc, Ran Levi+1 more|arXiv (Cornell University)|Feb 29, 2020

Topological and Geometric Data Analysis参考文献 18被引用数 9

ひとこと要約

本稿では、トーナメント（完全有向グラフ）から構築される半単体的複体であるtournaplexesを導入し、有向グラフのパーシステントホモロジー解析を可能にする方向性フィルトレーションを開発する。ブルー・ブレイン・プロジェクトのラット新皮質微小回路にこれらの手法を適用した結果、方向性に基づくフィルトレーションを用いたフラッグtournaplexesは、特に神経活動パターンの分離性が向上したスパイクトレインダイナミクスのクラスタリングにおいて、有向フラッグ複体よりも洗練されたトポロジカルな区別を抽出することが示された。

ABSTRACT

Complete digraphs are referred to in the combinatorics literature as tournaments. We consider a family of semi-simplicial complexes, that we refer to as "tournaplexes", whose simplices are tournaments. In particular, given a digraph $\\mathcal{G}$, we associate with it a "flag tournaplex" which is a tournaplex containing the directed flag complex of $\\mathcal{G}$, but also the geometric realisation of cliques that are not directed. We define several types of filtrations on tournaplexes, and exploiting persistent homology, we observe that flag tournaplexes provide finer means of distinguishing graph dynamics than the directed flag complex. We then demonstrate the power of these ideas by applying them to graph data arising from the Blue Brain Project's digital reconstruction of a rat's neocortex.

研究の動機と目的

• 有向フラッグ複体がエッジの向きの情報を保持できないことや、非有向クリークを除外するという、有向グラフのトポロジカル解析における制限を解消すること。
• すべてのクリーク（有向および無向）を含みつつ方向性構造を保持する新しい単体的複体クラス—tournaplexes—を構築すること。
• 局所的、3サイクル的、およびグローバルな方向性不変量を用いてtournaplexesに自然なフィルトレーションを定義し、パーシステントホモロジーを可能にすること。
• tournaplexを用いたパーシステントホモロジーが、神経ネットワークデータに対して有向フラッグ複体よりも情報量の多いトポロジカル記述子を提供することを示すこと。
• 本フレームワークをブルー・ブレイン・プロジェクトの実際の神経データに適用し、スパイクトレインダイナミクスのクラスタリングが向上することを示すこと。

提案手法

• 有向グラフのフラッグtournaplexを、すべてのトーナメント（完全有向部分グラフ）が単体となる複体として構築する。これには有向および無向クリークの両方が含まれる。
• 方向性の3種類を定義する：局所的（各トーナメントごとのエッジの向きに基づく）、3サイクル的（サイクル的または推移的向きに基づく）、グローバル的（完全なtournaplex構造に依存する）。
• 方向性不変量を用いてtournaplexesにフィルトレーションを定義し、外部の重みを必要とせずにパーシステントホモロジー計算を可能にする。
• パーシステントホモロジーを用いてベッチ数とパーシステントペアを計算し、時間区間ごとの行列の列標準偏差を用いて特徴量ベクトルを抽出する。
• tournaplexのパーシステントホモロジーから得た特徴量行列と、有向フラッグ複体のベッチ数から得た特徴量行列を用いてk-meansクラスタリングを実行し、クラスタリング性能を比較する。
• ブルー・ブレイン・プロジェクトの45個のスパイクトレインデータセット（各250ms）を処理し、パrameters $t_1$ および $t_2$ を用いて時間変動する送信応答有向グラフに変換する。

実験結果

リサーチクエスチョン

• RQ1 tournaplexesは、部分的な方向性情報を保持することで、有向フラッグ複体よりも有向グラフのより情報豊かなトポロジカル表現を提供できるか？
• RQ2 局所的、3サイクル的、グローバルな方向性不変量は、有向グラフにおけるパーシステントホモロジーのための自然なフィルトレーションをどのように可能にするか？
• RQ3 フラッグtournaplexスのパーシステントホモロジーは、標準的手法と比較して神経活動パターンの区別をどの程度向上させるか？
• RQ4 方向性に基づくフィルトレーションは、ブルー・ブレイン・プロジェクトのような実際の神経ネットワークデータにおいて、より詳細な構造的ダイナミクスを明らかにできるか？
• RQ5 フラッグtournaplex構築は、有向フラッグ複体と比較して、機能的神経データのクラスタリングをより良くするか？

主な発見

• フラッグtournaplex構築は、有向フラッグ複体が有向クリークのみを含むのに対し、有向および無向クリークの両方を含むため、より多くの構造的情報を保持している。
• 局所的および3サイクル的不変量に基づく方向性フィルトレーションは、外部の重みを必要とせず、自然で内生的なパーシステントホモロジーのためのフィルトレーションを提供する。
• ブルー・ブレイン・プロジェクトのデータセットにおいて、tournaplexのパーシステントホモロジーから得た特徴量ベクトルのk-meansクラスタリングは、3つの活動クラスにほぼ完璧に分離された。
• 一方、有向フラッグ複体のベッチ数に基づくクラスタリングは著しく劣った分離を示し、識別力が低いことが示された。
• 時間区間ごとのパーシステントホモロジー行列から情報量の多い特徴量を抽出するために列標準偏差を用いる手法は、動的ネットワーク行動を効果的に捉えている。
• 方向性フィルトレーションを施したフラッグtournaplexは、標準的なトポロジカルデータ解析手法と比較して、神経ネットワークダイナミクスにおいてより詳細で明確なトポロジカル特徴を明らかにした。