[論文レビュー] Persistent Homology with k-nearest-neighbor Filtrations reveals Topological Convergence of PageRank

Minh Le, Dane Taylor|arXiv (Cornell University)|Jun 9, 2022

Topological and Geometric Data Analysis被引用数 4

ひとこと要約

本稿では、トポロジカル・データ解析における恒常的ホモロジーのための新しいフレームワークとしてk近傍法(kNN)フィルトレーションを導入し、相対的ノード順位のトポロジカル収束を検出可能にする。kNNに基づく恒常的ホモロジーが、わずか5–9反復後にPageRankにおける順位収束を捉えるのに対し、ベクトルノルム収束を追跡するベトリス＝リップス(VR)フィルトレーションは収束に至るまでにより多くの反復を要することを示している。

ABSTRACT

Graph-based representations of point-cloud data are widely used in data science and machine learning, including epsilon-graphs that contain edges between pairs of data points that are nearer than epsilon and kNN-graphs that connect each point to its k-nearest neighbors. Recently, topological data analysis has emerged as a family of mathematical and computational techniques to investigate topological features of data using simplicial complexes. These are a higher-order generalization of graphs and many techniques such as Vietoris-Rips (VR) filtrations are also parameterized by a distance epsilon. Here, we develop kNN complexes as a generalization of kNN graphs, leading to kNN-based persistent homology techniques for which we develop stability and convergence results. We apply this technique to characterize the convergence properties PageRank, highlighting how the perspective of discrete topology complements traditional geometrical-based analyses of convergence. Specifically, we show that convergence of relative positions (i.e., ranks) is captured by kNN persistent homology, whereas persistent homology with VR filtrations coincides with vector-norm convergence. Beyond PageRank, kNN-based persistent homology is expected to be useful to other data-science applications in which the relative positioning of data points is more important than their precise locations.

研究の動機と目的

• k近傍法(kNN)フィルトレーションに基づく新しいトポロジカル・データ解析フレームワークを構築し、kNNグラフを単体複体へ一般化すること。
• kNNに基づく恒常的ホモロジーの理論的安定性および収束性を確立し、特に離散的トポロジカル構造との関係を明らかにすること。
• kNN恒常的ホモロジーが反復的アルゴリズム（例：PageRank）における相対的ノード順位の収束をどのように明らかにするかを調査すること。一方、VRフィルトレーションはノルムに基づく収束を反映する。
• kNNとVRフィルトレーションの収束の異なる側面を捉える能力を比較する：kNNは順位順序を、VRはベクトルノルムの減衰をそれぞれ捉える。
• kNN恒常的ホモロジーがPageRank以外の数値的アルゴリズムにおける収束に必要な反復回数を予測する応用上の有効性を示すこと。

提案手法

• 各点のk近傍を基にk-単体を追加することでkNN複体を構築し、kをパrameterとするkNNフィルトレーションを形成する。
• 部分集合のノードにおける局所的kNNフィルトレーションおよび恒常的ホモロジーを定義し、グラフの特定領域における収束を分析する。
• kNNとVRフィルトレーションからの持久図を比較するためにバトルネック距離を用い、トポロジカル安定性および収束を定量的に評価する。
• 反復的PageRankプロセスにkNN恒常的ホモロジーを適用し、反復ごとのグラフのトポロジーの変化を追跡する。
• グローバル収束、κ-有界収束、U-局所収束の3種類の収束タイプを定式化し、異なるスケールおよび関心領域における収束を分析する。
• 連続的距離測度に依存しない、離散的トポロジーの原則を活用して、点の相対的順序を分析する。

実験結果

リサーチクエスチョン

• RQ1 kNNに基づく恒常的ホモロジーは、反復的アルゴリズムにおける収束を捉える点で、ベトリス＝リップス(VR)フィルトレーションとどのように異なるか？
• RQ2 kNN恒常的ホモロジーは、ノルム収束よりも早くPageRankにおけるノード順位（相対的順序）の収束を検出できるか？
• RQ3 kNNに基づく持久図に適用可能な安定性および収束定理は何か？また、それらはkNN順序の差異とどのように関係するか？
• RQ4 局所的kNN恒常的ホモロジーは、上位ノードのサブセットとランダムに選択されたノードの両方において、収束パターンをどのように明らかにするか？
• RQ5 kNN恒常的ホモロジーは、数値的アルゴリズムにおける従来のノルムベース収束分析と、どの程度補完的であるか？

主な発見

• kNN恒常的ホモロジーは、ノードの順位収束を、ランダムに選択されたノードのサブセットに対してわずか5反復目で検出可能であるのに対し、ベクトルノルム収束（VRベース）はより多くの反復を要する。
• 上位10個のPageRankノードに対しては、kNN恒常的ホモロジーが約9反復目で順位収束を示しており、表1に示された観察された順位安定化と整合的である。
• VRフィルトレーションは、安定性定理により保証されるように、ベクトルノルム収束と強く相関しており、一方kNNフィルトレーションは相対的順序の収束を反映する。
• kNN持久図間のバトルネック距離は、kNN順序の最大差に比例して有界であり、離散的安定性の一形態を確立する。
• kNNに基づく恒常的ホモロジーは、ノルムベース収束よりも前に順位のトポロジカル収束が生じることを明らかにし、順位に敏感な応用においてその有用性を示している。
• 理論的分析により、グローバル収束、κ-有界収束、U-局所収束の3つの収束タイプを同定し、kNNホモロジーが異なるスケールおよび関心領域において収束を検出可能であることを示した。