[論文レビュー] Computing Minimal Presentations and Bigraded Betti Numbers of 2-Parameter Persistent Homology

Michael Lesnick, Matthew Wright|arXiv (Cornell University)|Feb 15, 2019

Topological and Geometric Data Analysis被引用数 4

ひとこと要約

本稿では、自由加群の短い複体上で行列削減を用いることで、2パラメータの恒続的ホモロジー加群の最小提示および双次数ベッチ数を効率的に計算するアルゴリズムを提示する。この手法は、O(|X|³ + |Y|³ + |Z|³)の時間計算量とO(|X|² + |Y|² + |Z|²)の記憶領域を要し、実際の応用においてSingularやMacaulay2を上回る性能を示しており、トポロジカル・データ解析におけるRIVETソフトウェアにおける高速な計算を可能にする。

ABSTRACT

Motivated by applications to topological data analysis, we give an efficient algorithm for computing a (minimal) presentation of a bigraded $K[x,y]$-module $M$, where $K$ is a field. The algorithm takes as input a short chain complex of free modules $X\xrightarrow{f} Y \xrightarrow{g} Z$ such that $M\cong \ker{g}/\mathrm{im}{f}$. It runs in time $O(|X|^3+|Y|^3+|Z|^3)$ and requires $O(|X|^2+|Y|^2+|Z|^2)$ memory, where $|\cdot |$ denotes the rank. Given the presentation computed by our algorithm, the bigraded Betti numbers of $M$ are readily computed. Our approach is based on a simple matrix reduction algorithm, slight variants of which compute kernels of morphisms between free modules, minimal generating sets, and Gröbner bases. Our algorithm for computing minimal presentations has been implemented in RIVET, a software tool for the visualization and analysis of two-parameter persistent homology. In experiments on topological data analysis problems, our implementation outperforms the standard computational commutative algebra packages Singular and Macaulay2 by a wide margin.

研究の動機と目的

• 2パラメータの恒続的ホモロジーに現れる、bigraded $K[x,y]$-加群の最小提示を効率的に計算するアルゴリズムを開発すること。
• トポロジカル・データ解析のための主要な不変量である双次数ベッチ数を、高速かつスケーラブルに計算すること。
• RIVETなどのツールにおける計算ボトルネックを解消するために、コアとなる代数的計算パイプラインを最適化すること。
• 実際のTDAワークロードにおいて、Singular や Macaulay2 といった標準的な計算可換代数パッケージを上回る性能を発揮すること。
• 効率的な代数的中間表現を用いて、双パラメトリック・モジュールのインタラクティブな可視化と解析を可能にすること。

提案手法

• アルゴリズムは、$X \xrightarrow{f} Y \xrightarrow{g} Z$ という短い複体を入力とし、$M \cong \ker g / \operatorname{im} f$ を与える。行列削減を用いて最小提示を計算する。
• 多項式環 $K[x,y]$ 上での核、最小生成集合、グレブナー基底を計算するための行列削減の変種を用いる。
• 行列 $f$ および $g$ の表現に対して、行および列の操作を実行し、モジュール構造を保ちながら最小形に削減する。
• 最小化処理を並列化することで、大規模なインスタンスにおいても実行時間を顕著に短縮する。
• 標準的なホモロジー代数の手法を用いて、最小提示から直接双次数ベッチ数を計算する。
• 実装は、双パラメトリック・モジュールを可視化するためのツールRIVETに統合されており、インタラクティブな解析を可能にする。

実験結果

リサーチクエスチョン

• RQ1 最適な記憶領域使用量を伴い、2パラメータの恒続的ホモロジー加群の最小提示を計算する立方時間アルゴリズムを設計できるか？
• RQ2 実際のTDA応用において、Singular や Macaulay2 といった既存のパッケージと比較して、このアルゴリズムの性能はどの程度か？
• RQ3 既存のツールがメモリ制限や時間制限により失敗するような大規模データセットに対しても、このアルゴリズムはスケーラブルに動作するか？
• RQ4 最小化ステップにおける並列化の影響は何か？
• RQ5 このアルゴリズムは、degree-Rips やマルチ・クリティカル・フィルトレーションといったより複雑な二重フィルトレーションを直接処理できるか？

主な発見

• アルゴリズムは、$O(|X|^3 + |Y|^3 + |Z|^3)$ の時間計算量と $O(|X|^2 + |Y|^2 + |Z|^2)$ の記憶領域を要し、入力サイズはモジュールのランクによって定義される。
• 800点までの点群データに対しては、RIVETの実装が最小提示計算を2秒未塔で完了したが、Singular や Macaulay2 はより大きなインスタンスで失敗した。
• 半最小提示の計算コストは最小化をはるかに上回っており、主なボトルネックは初期の削減処理にあることが示された。
• ホモロジー次数1において、Singularの性能はホモロジー関数呼び出しに左右され、`res` と `fres` の実行時間に大きな差がなかった。
• RIVETの実装は、すべてのテストデータセット（フラクタルやドラッグデータを含む）において、Singular や Macaulay2 を上回り、大規模インスタンスでは100倍以上の高速化を達成した。
• アルゴリズムにより、RIVETにおけるインタラクティブな可視化が可能になった。最小提示を用いて、拡張されたアレンジメントとファイバー化されたバー図を効率的に計算できるようになった。