[논문 리뷰] Distances and Isomorphism between Networks and the Stability of Network Invariants

Samir Chowdhury, Facundo Mémoli|arXiv (Cornell University)|2017. 08. 16.

Topological and Geometric Data Analysis참고 문헌 74인용 수 12

한 줄 요약

이 논문은 네트워크 거리 이론을 컴팩트 네트워크로 확장하여 안정성을 입증하고 정량적 비교를 위한 계산 가능한 불변량을 제공한다. 다항 시간 알고리즘을 도입하여 네트워크 거리의 하한을 계산하며, 무작위 및 해마망개비 네트워크 데이터베이스에서 검증되었으며, 지속 호모로지와 계층적 군집화에의 적용을 포함한다.

ABSTRACT

We develop the theoretical foundations of a network distance that has recently been applied to various subfields of topological data analysis, namely persistent homology and hierarchical clustering. While this network distance has previously appeared in the context of finite networks, we extend the setting to that of compact networks. The main challenge in this new setting is the lack of an easy notion of sampling from compact networks; we solve this problem in the process of obtaining our results. The generality of our setting means that we automatically establish results for exotic objects such as directed metric spaces and Finsler manifolds. We identify readily computable network invariants and establish their quantitative stability under this network distance. We also discuss the computational complexity involved in precisely computing this distance, and develop easily-computable lower bounds by using the identified invariants. By constructing a wide range of explicit examples, we show that these lower bounds are effective in distinguishing between networks. Finally, we provide a simple algorithm that computes a lower bound on the distance between two networks in polynomial time and illustrate our metric and invariant constructions on a database of random networks and a database of simulated hippocampal networks.

연구 동기 및 목표

• 유한 네트워크에서 컴팩트 네트워크로 네트워크 거리 이론을 일반화하여 컴팩트 구조에서의 샘플링 문제를 해결한다.
• 네트워크 거리 하에서 정량적으로 안정된 계산 가능한 네트워크 불변량을 규명한다.
• 다항 시간 내에 네트워크 거리의 하한을 계산하기 위한 효율적인 알고리즘을 개발한다.
• 실제 및 시뮬레이션된 네트워크 데이터베이스(해마망개비 네트워크 포함)에서 이론적 프레임워크를 검증한다.
• 유도된 거리 공간 및 히르슈만 다양체와 같은 이국적인 구조에 적용 가능한 이론적 기초를 확립한다.

제안 방법

• 위상수학 및 거리공간 이론을 활용하여 컴팩트 네트워크로 네트워크 거리 정의를 확장한다.
• 컴팩트 네트워크를 다룰 수 있는 기존 샘플링 기반 접근법을 초월한 새로운 비샘플링 접근법을 제안하여 이론적 분석을 가능하게 한다.
• 네트워크 거리 하에서 안정적인 스펙트럼 또는 기하적 특징과 같은 네트워크 불변량을 규명한다.
• 이러한 불변량을 이용해 네트워크 거리의 하한을 유도하여 효율적인 계산을 가능하게 한다.
• 이 하한을 계산하기 위한 다항 시간 알고리즘을 제안하여 스케일이 큰 비교를 가능하게 한다.
• 무작위 네트워크 및 시뮬레이션된 해마망개비 네트워크 데이터베이스에서 방법을 검증한다.

실험 결과

연구 질문

• RQ1 네트워크 거리는 어떻게 유한 네트워크에서 컴팩트 네트워크로 엄밀하게 확장될 수 있는가?
• RQ2 컴팩트 설정에서 네트워크 거리 하에서 정량적으로 안정된 네트워크 불변량은 무엇인가?
• RQ3 정확한 네트워크 거리 계산의 계산 복잡도는 무엇이며, 어떻게 효율적으로 하한을 구할 수 있는가?
• RQ4 유도된 하한은 서로 다른 네트워크 구조를 구분하는 데 얼마나 효과적인가?
• RQ5 이론적 결과는 방향성 거리공간이나 히르슈만 다양체와 같은 비표준 기하 구조에 얼마나 광범위하게 적용 가능한가?

주요 결과

• 샘플링 문제를 해결하기 위한 새로운 이론적 프레임워크를 통해 네트워크 거리가 컴팩트 네트워크로 확장되었다.
• 규명된 네트워크 불변량은 네트워크 거리 하에서 정량적으로 안정적이며, 소음이나 변형에 대한 강건성을 보장한다.
• 다항 시간 알고리즘이 네트워크 거리의 하한을 계산하여 스케일이 큰 네트워크 비교를 가능하게 한다.
• 하한은 랜덤 네트워크 및 해마망개비 네트워크 데이터베이스 전반에서 네트워크를 효과적으로 구분하는 데 성공하였다.
• 이론적 결과는 방향성 거리공간 및 히르슈만 다양체를 포함하여 광범위하게 적용 가능하여 위상적 데이터 분석의 범위를 넓혔다.
• 실험적 검증을 통해 실제 및 시뮬레이션 데이터를 활용한 네트워크 구조의 구분 능력이 효과적임을 확인하였다.