[論文レビュー] Matroid Filtrations and Computational Persistent Homology

Gregory Henselman, Robert Ghrist|arXiv (Cornell University)|Jun 1, 2016

Topological and Geometric Data Analysis参考文献 21被引用数 47

ひとこと要約

この論文は、マトロイド理論、離散モース理論、行列分解を用いて、恒久的ホモロジーの計算を効率化する新しいアルゴリズムを紹介する。巡回的マッチングを活用して大きな境界行列の構築を回避することで、メモリ使用量を著しく削減（最大数個のオーダーの圧縮を達成）し、代表的ホモロジー生成子の計算を可能にする。この手法はEIRENEライブラリに実装されており、高次元の点群において顕著な性能向上を示しており、1600億個以上の単体を含む10,000点の複体でも効果を発揮している。

ABSTRACT

This technical report introduces a novel approach to efficient computation in homological algebra over fields, with particular emphasis on computing the persistent homology of a filtered topological cell complex. The algorithms here presented rely on a novel relationship between discrete Morse theory, matroid theory, and classical matrix factorizations. We provide background, detail the algorithms, and benchmark the software implementation in the Eirene package.

研究の動機と目的

• トポロジカルデータ解析における恒久的ホモロジーの計算を、よりメモリ効率的かつ計算スケーラブルな方法で開発すること。
• 大規模な単体複体における完全な境界行列の保存に伴う高いメモリコストを解消すること。
• バーコード要約のみではなく、元の複体における代表的ホモロジー生成子の計算を可能にすること。
• マトロイド理論と離散モース理論を統合的なフレームワークとして計算ホモロジーに統合すること。
• 実世界のデータセットを対象に、EIRENEソフトウェアパッケージにアルゴリズムを実装・ベンチマークすること。

提案手法

• マトロイド理論を用いて、ランク、基底、サイクルといった恒久的ホモロジーの概念を、計算に適した組合せ的枠組みに再定式化する。
• 離散モース理論を巡回的マッチングを介して適用し、複体を単純化し、大きな境界作用素の明示的構築を回避する。
• 行列分解定理を活用して、恒久的ホモロジーを効率的に計算し、元の複体における代表的サイクルを回復する。
• EIRENEにおける動的構築サブルーチンは、モース複体の必要なセルのみを生成し、不要な単体の保存を回避する。
• マトロイド基底における貪欲アルゴリズムを用いて、ホモロジーを保存する最小のセル集合を特定し、計算負荷を低減する。
• 特に巨大でメモリを多く要するトップ次元境界作用素に最適化されている。

実験結果

リサーチクエスチョン

• RQ1 マトロイド理論的定式化は、恒久的ホモロジー計算の効率性と明確さを向上させ得るか？
• RQ2 離散モース理論をどのように活用すれば、恒久的ホモロジーにおける完全な境界行列の構築・保存を回避できるか？
• RQ3 巡回的マッチングをどれほど活用して、ホモロジーを保存したままセル複体を圧縮できるか？
• RQ4 マトロイド理論、モース理論、行列分解の組み合わせにより、大規模な恒久的ホモロジーに実用的かつスケーラブルなアルゴリズムが得られるか？
• RQ5 この手法は、実世界の高次元データセットにおいて、どれほどのメモリおよび実行時間の性能向上を達成するか？

主な発見

• 特にトップ次元作用素において、大きな境界行列の構築を回避することで、最大数個のオーダー単位でメモリ使用量が削減された。
• R20における10,000点のランダム幾何的複体について、35.7 GBのヒープメモリと3,120秒を要し、1600億個以上の単体を含む2スケルトンの恒久的H1を計算した。
• 圧縮比（モース複体サイズ / 4スケルトンサイズ）は、n=240頂点で最小0.02まで低下し、極めて疎な構造が得られた。
• ノイズを含むトーラスサンプルの1次元ホモロジークラスに対して、代表的生成子を正しく計算し、Plotlyで可視化に成功した。
• チェス盤やマッチング複体といった挑戦的な非フィルタリング複体に対しても、高い性能を維持したが、空間の固有の複雑さに起因する制限があった。
• EIRENE実装は、特に高次元点群において顕著な高速化とメモリ節約を達成し、大規模データセットにおいて、先行ベンチマークを上回る性能を示した。