[論文レビュー] Graph Laplacians, Riemannian Manifolds and their Machine-Learning

Yang‐Hui He, Shing‐Tung Yau|arXiv (Cornell University)|Jun 30, 2020

Topological and Geometric Data Analysis参考文献 62被引用数 11

ひとこと要約

本稿は、グラフラプラシアンと機械学習を用いて、有限グラフの幾何的・位相的性質を調査し、ニューラルネットワークがWolframデータベースに含まれる約8,000のグラフにおいて、リッチ平坦性の分類、スぺクトルギャップの予測、ハミルトニアンサイクルの検出を高精度で行えることを示している。主な貢献は、リーマン幾何の離散的類似物に、教師ありおよび教師なし機械学習を効果的に適用したことであり、深層的なスぺクトル的および位相的不変量に対する強力な予測能力を明らかにした点にある。

ABSTRACT

Graph Laplacians as well as related spectral inequalities and (co-)homology provide a foray into discrete analogues of Riemannian manifolds, providing a rich interplay between combinatorics, geometry and theoretical physics. We apply some of the latest techniques in data science such as supervised and unsupervised machine-learning and topological data analysis to the Wolfram database of some 8000 finite graphs in light of studying these correspondences. Encouragingly, we find that neural classifiers, regressors and networks can perform, with high efficiently and accuracy, a multitude of tasks ranging from recognizing graph Ricci-flatness, to predicting the spectral gap, to detecting the presence of Hamiltonian cycles, etc.

研究の動機と目的

• グラフラプラシアンとスペクトル理論を用いて、リーマン幾何の離散的類似物を調査すること。
• 機械学習が有限グラフにおける深い幾何的および位相的不変量を検出できるかどうかを検討すること。
• ニューラルネットワークがリッチ平坦性の分類、スぺクトルギャップの予測、ハミルトニアンサイクルの検出においてどれほど有効であるかを検証すること。
• トポロジカルデータ分析および次元削減を、グラフのスペクトルおよび不変量に適用すること。
• 離散幾何学、スペクトルグラフ理論、および現代のデータサイエンス技術の間の橋渡しをすること。

提案手法

• 主なデータセットとして、約8,000の有限・無向・単純グラフからなるWolframデータベースを用いる。
• 教師ありおよび教師なし機械学習を用いて、スぺクトルギャップ、リッチ平坦性、ハミルトニアンサイクルの存在といったグラフの性質を予測する。
• ラプラシアン固有値から得られるグラフ不変量をモデル化するために、ニューラル分類器、回帰器、オートエンコーダーを用いる。
• 固有値分布にトポロジカルデータ分析（TDA）、主成分分析（PCA）、スペクトルクラスタリングを適用する。
• パス複体上の線形代数によるブルートフォース計算を用いて、グラフのホモロジーおよびコホモロジーを計算し、∂-不変部分空間を定義する。
• ホモロジー次元から得られるベッチ数から、オイラー特徴量を定義し、計算する。

実験結果

リサーチクエスチョン

• RQ1 離散的曲率の概念を用いて、機械学習はグラフをリッチ平坦性として正確に分類できるか？
• RQ2 ニューラルネットワークは、グラフ構造から正規化ラプラシアンのスぺクトルギャップをどの程度正確に予測できるか？
• RQ3 機械学習は、高い正確性でグラフにハミルトニアンサイクルが存在するかどうかを検出できるか？
• RQ4 トポロジカルデータ分析および次元削減は、グラフスペクトルの内在的幾何をどの程度よく捉えられるか？
• RQ5 有限グラフにおいて、離散的ホモロジーと古典的位相不変量（例えばオイラー特徴量）との関係は何か？

主な発見

• ニューラルネットワークは、グラフレプラシアン固有値から、OLLY-リッチ平坦およびCD-リッチ平坦グラフを高精度で分類できる。
• 教師あり学習モデルは、正規化ラプラシアンのスぺクトルギャップを、高い効率と正確性で成功裏に予測した。
• 五角双錐グラフ G_dp(5) の正規化ラプラシアンの固有値は {3/2, 5/4, 5/4, 1, 0} であり、これによりそのスぺクトル的性質が確認された。
• グラフ G_dp(5) は平面的で、ジャンルが 0、彩色数が 4、直径が 2、がいりんが 3 であり、正確に 6 個のハミルトニアンサイクルを含む。
• G_dp(5) のホモロジー計算から、dim Ω₀ = 5、dim Ω₁ = 9、dim Ω₂ = 6、dim Ω₃ = 2、dim Ωₙ≥₄ = 0 が得られ、オイラー特徴量 χ = 0 となった。
• A₂における∂-不変部分空間の線形系は6つの自由係数を有し、dim Ω₂ = 6 が確認された。また、完全なホモロジー計算により、オイラー特徴量の位相的不変性が裏付けられた。