[論文レビュー] Statistical topological data analysis using persistence landscapes

Peter Bubenik|arXiv (Cornell University)|Jul 27, 2012

Topological and Geometric Data Analysis参考文献 37被引用数 524

ひとこと要約

本稿では、バーコードを関数に変換することで、パーシステントホモロジーの統計的解析を可能にするベクトル空間値のトポロジカル要約であるパーシステンスランダムを導入する。強い統計法則（LLN、CLT）を確立し、仮説検定を可能にするとともに、ボトルネック距離およびワーサーテイン距離の下界を用いた安定性を証明し、トポロジカルデータ解析を統計および機械学習に応用するうえでの主要な制限を克服する。

ABSTRACT

We define a new topological summary for data that we call the persistence landscape. Since this summary lies in a vector space, it is easy to combine with tools from statistics and machine learning, in contrast to the standard topological summaries. Viewed as a random variable with values in a Banach space, this summary obeys a strong law of large numbers and a central limit theorem. We show how a number of standard statistical tests can be used for statistical inference using this summary. We also prove that this summary is stable and that it can be used to provide lower bounds for the bottleneck and Wasserstein distances.

研究の動機と目的

• 非ベクトル空間のパーシステント図をベクトル空間に変換することで、統計および機械学習との統合の課題に対処する。
• バーコードやパーシステント図といった標準的なTDA要約の統計的不適合性（ベクトル空間構造の欠如）を克服し、統計的推論を困難にする要因を解消する。
• 分離可能なバナッハ空間への埋め込みにより、収束法則（LLN、CLT）、仮説検定、信頼区間を含む統計的推論を可能にする。
• パーシステンスランダムを用いて、ワーサーテイン距離およびボトルネック距離の下界を理論的に保証する。
• 区分線形関数としての表現により、従来のバーコード手法よりも高速な計算を可能にし、効率的な計算を実現する。

提案手法

• バーコードを区分線形関数の列に変換するパーシステンスランダムを定義し、それを分離可能なバナッハ空間に埋め込む。
• 各パーシステント間隔 (b,d) を三角関数 λ₁(t) = (h - |t - m|)+ として表現する。ここで h = (d-b)/2 かつ m = (b+d)/2 である。
• パーシステンスランダム Λ(D) をこのような関数の列として構築し、ランダム変数のバナッハ空間値理論を用いて、ランダム変数としての強大数の法則および中心極限定理を導出する。
• パーシステンス図の間のpワーサーテイン距離の関数として、ランダム変数の差のℓ_pノルムの上界を示し、安定性を証明する。
• ランダム変数の差のℓ_pノルムを用いて、ボトルネック距離およびワーサーテイン距離の下界を導出し、小さなランダム変数の差が元の空間における小さな距離を意味することを示す。

実験結果

リサーチクエスチョン

• RQ1 統計的ツール（仮説検定や信頼区間など）の利用を可能にするベクトル空間に位置するトポロジカル要約を構築できるか？
• RQ2 パーシステンスランダムを分離可能なバナッハ空間内の確率変数とみなした場合、強大数の法則および中心極限定理を満たすか？
• RQ3 パーシステンスランダムは、パーシステント図の間のボトルネック距離およびワーサーテイン距離に対して、安定的かつ計算可能な下界を提供できるか？
• RQ4 パーシステンスランダムの計算効率は、従来のバーコードおよびパーシステント図表現と比較してどの程度優れているか？
• RQ5 サンプリング不確実性下でも、パーシステンスランダムはデータのグローバルなトポロジカル特徴をどの程度推論できるか？

主な発見

• パーシステンスランダムは、分離可能なバナッハ空間内の確率変数とみなした場合、強大数の法則および中心極限定理を満たす。
• ランダム変数としての性質により、統計的推論が可能である：標本平均は母平均に収束し、近似信頼区間を計算できる。
• 2つのパーシステンスランダムの差のℓ_pノルムは、それに対応するパーシステント図の間のpワーサーテイン距離の下界を提供する。
• パーシステンスランダムは安定性を有する：ランダム変数の差のℓ_pノルムは、パーシステンス長および図の間のpワーサーテイン距離の関数によって上界が与えられる。
• パーシステンスが有界な図に対しては、ランダム変数の差のℓ_pノルムに比例するように、pワーサーテイン距離の下界が得られる。
• 区分線形関数としての表現により、直接的なバーコードや図の計算よりも高速かつ統計的アルゴリズムとの互換性が高い、効率的な計算が可能である。