[論文レビュー] Unified functional network and nonlinear time series analysis for complex systems science: The pyunicorn package

Jonathan F. Donges, Jobst Heitzig+10 more|Utrecht University Repository (Utrecht University)|Jul 2, 2015

Functional Brain Connectivity Studies被引用数 6

ひとこと要約

本稿では、複雑系科学における機能的ネットワーク解析と非線形時系列解析手法を統合するオープンソースのPythonパッケージ、pyunicornを紹介する。このパッケージは時系列データから機能的ネットワークを構築し、システムのダイナミクスを解明するために、高度なネットワーキング理論的および再発現ベースの技術を適用可能にする。主な貢献は、モジュラーでオブジェクト指向的かつ並列処理可能なコードを用いた気象学および神経科学分野への応用である。

ABSTRACT

We introduce the exttt{pyunicorn} (Pythonic unified complex network and recurrence analysis toolbox) open source software package for applying and combining modern methods of data analysis and modeling from complex network theory and nonlinear time series analysis. exttt{pyunicorn} is a fully object-oriented and easily parallelizable package written in the language Python. It allows for the construction of functional networks such as climate networks in climatology or functional brain networks in neuroscience representing the structure of statistical interrelationships in large data sets of time series and, subsequently, investigating this structure using advanced methods of complex network theory such as measures and models for spatial networks, networks of interacting networks, node-weighted statistics or network surrogates. Additionally, exttt{pyunicorn} provides insights into the nonlinear dynamics of complex systems as recorded in uni- and multivariate time series from a non-traditional perspective by means of recurrence quantification analysis (RQA), recurrence networks, visibility graphs and construction of surrogate time series. The range of possible applications of the library is outlined, drawing on several examples mainly from the field of climatology.

研究の動機と目的

• 複雑ネットワーク理論と非線形時系列解析の間のギャップを埋めるために、両分野の手法を統合した単一のソフトウェアフレームワークを構築すること。
• 複雑系における大規模な時系列およびネットワークデータの解析に向けた相互運用可能で拡張可能かつ高性能なツールの不足を解消すること。
• 気象学、神経科学、その他の分野における多様な分析ワークフローをサポートする、柔軟でオブジェクト指向的かつ並列処理可能なソフトウェアパッケージを研究者に提供すること。
• 機能的ネットワークおよび力学的システムにおける統計的有意性の検証に、サーロー時系列およびネットワークサーローを用いることを可能にすること。
• 既存の技術を統合し、ネットワークおよび時系列解析のための新しい相互運用可能なクラスを導入することで、手法の革新を促進すること。

提案手法

• 時系列、ネットワーク、およびそれらの相互作用（例：RecurrenceNetwork、ClimateNetwork）を扱うモジュラーなクラスを備えた完全なオブジェクト指向のPythonパッケージを実装すること。
• 時系列間の相関またはその他の類似性測度を用いた機能的ネットワークの構築の後、複雑ネットワーク解析（例：クラスタリング、中心性、ノード重み付き統計）を実施すること。
• 再発現量的分析（RQA）、再発現ネットワーク、可視性グラフを用いて、時系列データからダイナミカルな性質を抽出すること。
• AAFT、洗練されたAAFT、およびツインサーローを用いて、線形または非線形の性質を保持するように、サーロー時系列を生成することで、統計的有意性の検証を可能にすること。
• 疎行列構造を用いた大規模データに対して、コンパイル言語（例：C/C++）を活用した並列処理とパフォーマンス最適化を実現すること。
• 気象学（例：経験的正交関数分析）の手法とネットワーク理論を統合し、気候ネットワークのようなハイブリッド分析フレームワークを構築すること。

実験結果

リサーチクエスチョン

• RQ1 多変量時系列から機能的ネットワークを体系的に構築する方法は何か？ これにより、複雑系における統計的相関関係がどのように明らかされるか？
• RQ2 再発現ベースのネットワーク手法は、時系列における非線形ダイナミクス的転移やレジームシフトをどの程度検出できるか？
• RQ3 サーロー時系列手法は、機能的ネットワークにおけるネットワーク的知見の統計的妥当性をどのように向上させるか？
• RQ4 ネットワーク理論と非線形時系列解析を統合することで、気象学および神経科学における複雑系の研究はどの程度向上するか？
• RQ5 モジュラーでオブジェクト指向的かつ並列処理可能なソフトウェアフレームワークは、複雑系解析においてどのようなパフォーマンスおよびスケーラビリティの利点を有するか？

主な発見

• pyunicornは、相関に基づくまたはその他の類似性測度を用いて、時系列データから機能的ネットワークを構築し、その後に複雑ネットワーク指標による解析を可能にする。
• このパッケージは、再発現ネットワークとRQAを統合したフレームワークを実現し、時系列における非線形ダイナミクスおよびダイナミカルな転移の検出を可能にした。
• AAFT、洗練されたAAFT、およびツインサーローを含むサーロー時系列手法が実装され、ネットワーク的およびダイナミカルな特徴の統計的有意性の検証が可能となった。
• 最適化されたコンパイル済みコードと疎行列構造を用いることで、大規模データセットの高性能解析が可能となり、スケーラブルな計算が実現された。
• 気象学および古気象学分野のユースケースでは、遠隔相互作用、レジームシフト、および時間的経過に伴うネットワーク構造の変化の同定に本ツールの有効性が示された。
• モジュラーでオブジェクト指向の設計により、コンポーネントの柔軟な組み合わせ（例：RecurrencePlot + Network → RecurrenceNetwork）が可能となり、手法の革新を促進した。