[논문 리뷰] Complexes of Tournaments, Directionality Filtrations and Persistent Homology

Dejan Govc, Ran Levi외 1명|arXiv (Cornell University)|2020. 02. 29.

Topological and Geometric Data Analysis참고 문헌 18인용 수 9

한 줄 요약

이 논문은 토너멘트(완전한 방향성 그래프)로 구성된 반-단순 복합체인 트루나플렉스를 소개하고, 방향성 필터링을 개발하여 방향성 그래프의 지속 호몰로지 분석을 가능하게 한다. 블루 브레인 프로젝트의 쥐 피각 피질 미세회로에 이러한 방법을 적용한 결과, 방향성 기반 필터링을 사용한 플래그 트루나플렉스는 방향성 플래그 복합체보다 더 세밀한 위상적 구별을 가능하게 하였으며, 특히 신경 활동 패tern의 분리가 향상된 스파이크 트레인 다이내믹스의 군집화에서 뛰어난 성능을 보였다.

ABSTRACT

Complete digraphs are referred to in the combinatorics literature as tournaments. We consider a family of semi-simplicial complexes, that we refer to as "tournaplexes", whose simplices are tournaments. In particular, given a digraph $\\mathcal{G}$, we associate with it a "flag tournaplex" which is a tournaplex containing the directed flag complex of $\\mathcal{G}$, but also the geometric realisation of cliques that are not directed. We define several types of filtrations on tournaplexes, and exploiting persistent homology, we observe that flag tournaplexes provide finer means of distinguishing graph dynamics than the directed flag complex. We then demonstrate the power of these ideas by applying them to graph data arising from the Blue Brain Project's digital reconstruction of a rat's neocortex.

연구 동기 및 목표

• 방향성 플래그 복합체가 간선 방향 정보를 유지하지 못하고, 비방향 클리크를 위상 분석에서 배제하는 한계를 해결하기 위해.
• 모든 클리크(방향성 및 비방향성)를 포함하면서도 방향성 구조를 유지하는 새로운 단순 복합체 클래스인 트루나플렉스를 개발하기 위해.
• 지역, 3사이클, 전역 방향성 불변량을 사용하여 트루나플렉스에 자연스러운 필터링을 정의하고, 지속 호몰로지 분석을 가능하게 하기 위해.
• 트루나플렉스 기반 지속 호몰로지가 신경망 데이터에 대해 방향성 플래그 복합체보다 더 정보적인 위상 기술자들을 제공하는지 보여주기 위해.
• 프레임워크를 실제 블루 브레인 프로젝트의 신경 데이터에 적용하여 스파이크 트레인 다이내믹스의 군집화 성능 향상을 입증하기 위해.

제안 방법

• 방향성 그래프의 플래그 트루나플렉스를 구성하여, 모든 토너멘트(완전한 방향성 부분그래프)를 단순체로 포함시키며, 이는 방향성 및 비방향 클리크를 포함한다.
• 세 가지 유형의 방향성 정의: 지역(각 토너멘트 기반 간선 방향), 3사이클(순환 대비 전이적 방향), 전역(전체 트루나플렉스 구조에 의존).
• 방향성 불변량을 사용하여 트루나플렉스에 필터링을 정의하고, 외부 가중치 없이도 지속 호몰로지 계산이 가능하도록 한다.
• 지속 호몰로지 분석을 통해 베티 수와 지속 쌍을 계산하고, 시간 빈 매트릭스의 열 표준편차를 통해 특징 벡터를 추출한다.
• 트루나플렉스 지속 호몰로지에서 유도된 특징 매트릭스와 방향성 플래그 복합체의 베티 수에서 유도된 특징 매트릭스를 대상으로 k-means 군집화를 수행하여 군집 성능 비교를 수행한다.
• 블루 브레인 프로젝트의 45개 스파이크 트레인 데이터셋(각각 250ms)을 처리하여, 매개변수 $t_1$과 $t_2$를 사용해 시간에 따라 변화하는 전송 반응 방향성 그래프로 변환한다.

실험 결과

연구 질문

• RQ1 트루나플렉스가 부분적인 방향성 정보를 유지함으로써 방향성 플래그 복합체보다 방향성 그래프의 더 정보적인 위상 표현을 제공할 수 있는가?
• RQ2 지역, 3사이클, 전역 방향성 불변량은 어떻게 방향성 그래프에서 지속 호몰로지에 자연스러운 필터링을 가능하게 하는가?
• RQ3 플래그 트루나플렉스에서의 지속 호몰로지 분석은 기존 방법 대비 신경 활동 패턴의 분류 능력을 얼마나 향상시키는가?
• RQ4 방향성 기반 필터링은 블루 브레인 프로젝트와 같은 실제 신경망 데이터에서 더 세밀한 구조적 다이내믹스를 드러내는가?
• RQ5 플래그 트루나플렉스 구조는 방향성 플래그 복합체보다 기능적 신경 데이터의 군집화 성능을 향상시키는가?

주요 결과

• 플래그 트루나플렉스 구조는 방향성 및 비방향 클리크를 모두 포함하여, 방향성 플래그 복합체가 방향성 클리크만 포함하므로 더 많은 구조적 정보를 유지한다.
• 지역 및 3사이클 불변량 기반 방향성 필터링은 외부 가중치 없이도 자연스럽고 내재된 필터링을 가능하게 하여 지속 호몰로지 분석에 유리하다.
• 블루 브레인 프로젝트 데이터셋에서, 트루나플렉스 지속 호몰로지에서 유도된 특징 벡터의 k-means 군집화는 세 가지 활동 유형으로 거의 완벽한 분리 성능를 보였다.
• 반면, 방향성 플래그 복합체의 베티 수에서 유도된 군집화는 상당히 열악한 분리 성능를 보였으며, 이는 더 낮은 구분 능력을 의미한다.
• 시간 빈 매트릭스의 지속 호몰로지 매트릭스에서 정보적 특징을 선택하기 위해 열 표준편차를 사용하는 것은 동적 네트워크 행동을 효과적으로 포착한다.
• 방향성 필터링을 적용한 플래그 트루나플렉스는 기존의 위상 데이터 분석 방법보다 더 세밀하고 뚜렷한 위상적 특징을 신경망 다이내믹스에서 드러냈다.