[論文レビュー] Simplex2Vec embeddings for community detection in simplicial complexes

Jacob Billings, Mirko Hu+6 more|arXiv (Cornell University)|Jun 21, 2019

Topological and Geometric Data Analysis参考文献 59被引用数 18

ひとこと要約

本稿では、偏り付きランダムウォークを用いて高次相互作用を活用することで、単一のノード同士の関係を超えたコミュニティ構造を検出する手法であるSimplex2Vecを提案する。高次単体がコミュニティ検出に顕著な影響を及ぼすことが示され、ソーシャルネットワークにおけるクラスタリング精度の向上や、fMRIデータにおけるグループ相互作用に最も影響を受ける脳領域の同定に成功した。

ABSTRACT

Topological representations are rapidly becoming a popular way to capture and encode higher-order interactions in complex systems. They have found applications in disciplines as different as cancer genomics, brain function, and computational social science, in representing both descriptive features of data and inference models. While intense research has focused on the connectivity and homological features of topological representations, surprisingly scarce attention has been given to the investigation of the community structures of simplicial complexes. To this end, we adopt recent advances in symbolic embeddings to compute and visualize the community structures of simplicial complexes. We first investigate the stability properties of embedding obtained for synthetic simplicial complexes to the presence of higher order interactions. We then focus on complexes arising from social and brain functional data and show how higher order interactions can be leveraged to improve clustering detection and assess the effect of higher order interaction on individual nodes. We conclude delineating limitations and directions for extension of this work.

研究の動機と目的

• 2人1組の関係を超えた高次相互作用を考慮する単体複合体のコミュニティ検出手法の不足に対処すること。
• 高次系におけるノードの構造的役割を捉えるスケーラブルで解釈可能な埋め込みフレームワークを開発すること。
• 実世界のデータ、例えばソーシャルネットワークや脳機能ネットワークにおける高次相互作用がコミュニティ構造やノードレベルの安定性に与える影響を評価すること。
• 複雑系における高次相互作用の組み込みに最も感受しやすいノードや領域を特定するためのツールを提供すること。

提案手法

• 次元の異なる単体上のランダムウォークを定義することで、node2vecおよびword2vecの原則を単体複合体に適応する。
• パラメータpおよびqを用いた偏り付きランダムウォークを用い、単体の近傍を探索することで、トポロジカルおよび構造的関係を保持する。
• ランダムウォークによって生成された単体の系列を用いてスキップグラムモデルを学習し、単体を低次元連続ベクトルにマッピングすることで埋め込みを構築する。
• t-SNEなどの次元削減を適用して埋め込みを可視化し、得られたベクトル空間におけるコミュニティを検出する。
• 単体埋め込み間のコサイン類似度を用いて、異なる相互作用次数間での安定性および相互作用効果を定量化する。
• 単体の埋め込みのコサイン類似度の平均として、安定性スコア $ s_i $ を定義し、高次相互作用への感受性を示す。

実験結果

リサーチクエスチョン

• RQ1 高次単体は、ペairwiseモデルと比較して、単体複合体における検出されたコミュニティ構造にどのように影響を与えるか？
• RQ2 実世界のデータにおいて、Simplex2Vec埋め込みはベースライン手法と比較して、クラスタリング精度をどの程度向上させるか？
• RQ3 埋め込みの安定性が相互作用次数にわたって測定された場合、どのノードや脳領域が高次相互作用の組み込みに対して最も影響を受けるか？
• RQ4 本手法は、ソーシャルネットワークや機能的脳ネットワークのような高次相互作用が豊富な複雑系において、コミュニティ構造を信頼性高く検出し、可視化できるか？

主な発見

• 高次相互作用はコミュニティ構造に顕著な影響を及ぼし、合成および実世界のソーシャルネットワークにおいて、ペアワイズモデルと比較してSimplex2Vecがより正確なクラスタを検出できた。
• 脳機能データにおいて、網様体形成、二次視覚皮質、および線条体核などの領域が、低い埋め込み安定性スコアにより高次相互作用に対して感受性が強いことが示された。
• 小脳、尾状体、および線条体の大規模な領域は、相互作用次数にかかわらず高い安定性を示し、高次ダイナミクスの影響をあまり受けていないことが示された。
• 本手法は、小脳領域の大部分が安定していると同定し、相互作用次元に依存しない堅牢なコミュニティ構造を示した。
• 埋め込み安定性スコア（$ s_i $）は、高次相互作用による構造的変化に感受しやすい脳領域を的確に特定でき、機能的統合の標的分析を可能にした。
• 最大単体次元を増加させた際、脳領域ごとの埋め込みおよびクラスタリング結果に顕著な変動が見られ、コミュニティ組織の非一様性を反映していた。