[論文レビュー] On the Bootstrap for Persistence Diagrams and Landscapes

Frédéric Chazal, Brittany Terese Fasy+4 more|arXiv (Cornell University)|Nov 2, 2013

Topological and Geometric Data Analysis参考文献 11被引用数 8

ひとこと要約

この論文は、パーシステント図とパーシステントランドスケープの信頼領域を構築するためのブートストラップに基づく手法を導入し、トポロジカルデータ解析における統計的推論を可能にしている。実証的データからの再サンプリングとパーシステント図の安定性を活用することで、漸近的に有効な信頼領域が得られ、トポロジカル信号とノイズを分離することができる。

ABSTRACT

Persistent homology probes topological properties from point clouds and functions. By looking at multiple scales simultaneously, one can record the births and deaths of topological features as the scale varies. In this paper we use a statistical technique, the empirical bootstrap, to separate topological signal from topological noise. In particular, we derive confidence sets for persistence diagrams and confidence bands for persistence landscapes.

研究の動機と目的

• パーシステントホモロジーにおいて、トポロジカル信号とノイズを区別する課題に統計的推論を用いて対処すること。
• 非パラメトリックで再サンプリングに基づく手法、具体的には実証的ブートストラップを用いて、パーシステント図とランドスケープの信頼領域を構築すること。
• データのトポロジカル特徴の信頼性を評価するための実用的で理論的根拠のあるアプローチを提供すること。
• 古典的統計学におけるブートストラップ手法の応用を、トポロジカルデータ解析の分野へ拡張すること。
• トポロジカル要約を用いた実世界のデータ応用において、仮説検定と不確実性の定量化を支援すること。

提案手法

• サイズ $ n $ の標本から再サンプリングを行い、パーシステント図 $ \mathcal{P}_n $ の $ B $ 個のブートストラップ再現を生成する。
• 標本上でのカーネル密度推定を用いて推定密度 $ p_n $ を得た後、パーシステントランドスケープ $ \mathcal{L}_n $ を計算する。
• ブートストラップ標本から、実証的平均ランドスケープ $ \overline{\mathcal{L}}_n $ とブートストラップ実証過程 $ \mathbb{G}_n^* $ を構築する。
• ブートストラップを用いて、正規化されたブートストラップ偏差 $ \sqrt{n} | \overline{\mathcal{L}}_n^* - \overline{\mathcal{L}}_n | $ の上界の quantile $ q_\alpha $ を推定する。
• 真の平均ランドスケープ $ \mu(t) $ の信頼帯を $ C_n(t) = \left[ \overline{\mathcal{L}}_n(t) - \frac{q_\alpha}{\sqrt{n}}, \overline{\mathcal{L}}_n(t) + \frac{q_\alpha}{\sqrt{n}} \right] $ として導出する。
• ブートストラップ実証過程 $ \mathbb{G}_n^* $ がガウス過程に弱収束することを証明し、信頼帯の漸近的有効性を保証する。

実験結果

リサーチクエスチョン

• RQ1 ブートストラップは、トポロジカルデータ解析におけるパーシステント図の信頼領域を構築するために効果的に適用可能か？
• RQ2 再サンプリング技術を用いて、不確実性を定量化するパーシステントランドスケープの信頼帯をどのように構築できるか？
• RQ3 一般の標本抽出仮定の下で、ブートストラップに基づくトポロジカル要約の信頼領域の漸近的有効性は何か？
• RQ4 ブートストラップ信頼帯のカバレッジは理論的限界と比べてどうか、収束速度はどのようになるか？
• RQ5 ブートストラップ手法は、ランドスケープを超えて他のトポロジカル要約関数へ一般化可能か？

主な発見

• ブートストラップ手順により、パーシステントランドスケープの漸近的に有効な信頼帯が得られ、$ n \to \infty $ のときカバレッジ確率が $ 1 - \alpha $ に収束することが示された。
• 九つの円の例では、50個のブートストラップ再現から得られた $ q_{\alpha} = 0.234 $ を用いて95％信頼帯が計算された。
• 実証的平均ランドスケープ $ \overline{\mathcal{L}}_{50} $ が真の平均ランドスケープ $ \mu(t) $ の信頼できる推定器であることが示され、ブートストラップ帯によって不確実性が定量化された。
• ブートストラップ実証過程 $ \mathbb{G}_n^* $ は分布的にガウス過程に収束し、この手法の漸近的有効性が裏付けられた。
• この手法はフィルトレーションの選択に対して頑健であり、スーパーレベル集合とサブレベル集合の両方のフィルトレーションに適用可能であることが、サブレベル集合を用いた円の例で示された。
• このアプローチはランドスケープを超えて他の要約関数へ一般化可能であり、トポロジカルデータ解析における広範な応用可能性を示唆している。