[論文レビュー] The Generalized Persistent Nerve Theorem

Nicholas J. Cavanna, Donald R. Sheehy|arXiv (Cornell University)|Jul 20, 2018

Topological and Geometric Data Analysis参考文献 13被引用数 6

ひとこと要約

本稿では、位相的データ解析における恒常的ホモロジー近似の一般化された条件として、$\varepsilon$-良い被覆フィルトレーションを導入する。この論文は、単体的フィルトレーションとその神経フィルトレーションの $K$ 次元恒常的ホモロジー・モジュールの間で、構成的 $(K+1)\varepsilon$-インタリーブィングを証明し、タイトなボトルネック距離バウンド $(K+1)\varepsilon$ を得る。これは、$\varepsilon = 0$ のとき古典的な恒常的神経補題が特殊ケースとして得られる。この結果により、非凸的または不完全に被覆された空間に対しても、頑健な位相的推論が可能になる。

ABSTRACT

In this paper a parameterized generalization of a good cover filtration is introduced called an ε-good cover, defined as a cover filtration in which the reduced homology groups of the image of the inclusions between the intersections of the cover filtration at two scales ε apart are trivial. Assuming that one has an ε-good cover filtration of a finite simplicial filtration, we prove a tight bound on the bottleneck distance between the persistence diagrams of the nerve filtration and the simplicial filtration that is linear with respect to ε and the homology dimension. This bound is the result of a computable chain map from the nerve filtration to the space filtration's chain complexes at a further scale. Quantitative guarantees for covers that are not good are useful for when one is working a non-convex metric space, or one has more simplicial covers that are not the result of triangulations of metric balls. The Persistent Nerve Lemma is also a corollary of our theorem as good covers are 0-good covers. Lastly, a technique is introduced that symmetrizes the asymmetric interleaving used to prove the bound by shifting the nerve filtration's persistence module, improving the interleaving constant by a factor of 2.

研究の動機と目的

• 恒常的神経補題を、非良い被覆を許容するように一般化すること。
• 古典的な神経定理および恒常的神経補題が要求する「良い被覆」（可縮な交差）という条件が、現実のデータではしばしば満たされないという限界に対処すること。
• 被覆の交差部に限られた位相的恒常性がある場合に、神経に基づく近似の定量的安定性保証を提供すること。
• 非凸的メトリック空間や、不規則な検出領域を持つセンサーネットワークの被覆データに対して、実用的な位相的データ解析を可能にすること。
• 完全な良い被覆ではなく、より小さな $\varepsilon$-良い被覆を許容することで、計算の実行可能性を向上させること。

提案手法

• 被覆要素の交差部の縮小ホモロジーが、$\varepsilon$ 離れたスケールで自明であるような、$\varepsilon$-良い被覆フィルトレーションの概念を導入する。
• 被覆された空間のチェーン複体とその神経の間で、チェーンホモトピーを用いて、厳密には逆写像ではないがインタリーブィング条件を満たす写像を定義する、擬似インタリーブィングを構築する。
• 細胞ホモロジーを用いて、チェーンレベルのインタリーブィングを恒常的ホモロジー・モジュールに結びつけ、単体的フィルトレーションとその神経の $K$ 次元恒常的ホモロジー・モジュールの間で、$(K+1)\varepsilon$-インタリーブィングを確立する。
• 神経フィルトレーションを $t/2 = (K+1)\varepsilon/2$ だけシフトすることで、非対称なインタリーブィングを対称化し、ボトルネック距離バウンドを 2 倍改善する。
• 神経複体の幾何的実現が神経複体とホメオモーティックであることを保証するため、重心分割を用いる。これにより、恒常的図形が保存される。
• インタリーブィング距離に関する定理 3 を適用し、ボトルネック距離バウンド $\mathrm{d}_B(\text{Dgm}_K(\mathcal{W}), \text{Dgm}_K(\mathrm{Nrv}\,\mathcal{U})) \leq (K+1)\varepsilon$ を導出する。

実験結果

リサーチクエスチョン

• RQ1 被覆が良いものでない場合でも、交差部に制御された位相的恒常性がある場合に、恒常的神経補題を拡張できるか。
• RQ2 被覆が $\varepsilon$-良い場合に、フィルタード単体的複体とその神経の恒常的図形の間のボトルネック距離のタイトなバウンドは何か。
• RQ3 非凸的または三角形分割されていない被覆に対して、安定で計算可能な恒常的ホモロジーの近似を構築するにはどうすればよいか。
• RQ4 証明で用いられた非対称インタリーブィングを対称化することで、近似誤差の要因を改善できるか。
• RQ5 ホモロジー次元 $K$ とボトルネック距離が $\varepsilon$ に対してどれほど感度を示すかの関係は何か。

主な発見

• 本稿は、有限単体的フィルトレーションとその神経フィルトレーションの $K$ 次元恒常的ホモロジー・モジュールの間で、$\varepsilon$-良い被覆条件のもとで、構成的 $(K+1)\varepsilon$-インタリーブィングを確立する。
• 被覆された空間とその神経の恒常的図形の間のボトルネック距離は、$(K+1)\varepsilon$ でバウンドされ、定量的安定性保証が得られる。
• $\varepsilon = 0$ のとき、古典的な恒常的神経補題が帰結として得られ、従来の理論と整合性が確認される。
• 神経フィルトレーションを $t/2$ だけシフトすることでインタリーブィングを対称化し、ボトルネック距離バウンドを $\frac{K+1}{2}\varepsilon$ に改善することで、誤差を 2 倍小さくする。
• 本結果は、任意の有限単体的フィルトレーションとその対応する $\varepsilon$-良い被覆に対して成り立ち、下位空間の凸性や滑らかさを要件としない。
• バウンドは、神経複体の最大次元を $D$ とすると、全恒常的図形に対しても拡張され、$\mathrm{d}_B(\text{Dgm}(\mathcal{W}), \text{Dgm}(\mathrm{Nrv}\,\mathcal{U})) \leq (D+1)\varepsilon$ が成り立つ。