[논문 리뷰] From trees to barcodes and back again: theoretical and statistical perspectives

Lida Kanari, Adélie Garin외 1명|arXiv (Cornell University)|2020. 10. 22.

Topological and Geometric Data Analysis참고 문헌 26인용 수 4

한 줄 요약

이 논문은 위상적 데이터 분석과 기하학적 트리 구조 간의 역관계를 이론적이고 계산적으로 연구하기 위한 프레임워크를 제안한다. 주로 위상적 형태 기술자(TMD)와 위상적 뉴런 합성(TNS) 알고리즘을 중심으로 하며, TNS가 대칭군을 활용해 트리 실현을 분류함으로써 TMD의 안정적이고 확률적인 역함수로 작용함을 입증한다. 또한 바코드 순열이 가능한 기하학적 트리의 수에 상당한 영향을 미친다는 것을 보여주며, 생물학적 트리는 가능한 조합적 유형의 제약된 부분집합을 차지하고 있음을 밝힌다.

ABSTRACT

Methods of topological data analysis have been successfully applied in a wide range of fields to provide useful summaries of the structure of complex data sets in terms of topological descriptors, such as persistence diagrams. While there are many powerful techniques for computing topological descriptors, the inverse problem, i.e., recovering the input data from topological descriptors, has proved to be challenging. In this article we study in detail the Topological Morphology Descriptor (TMD), which assigns a persistence diagram to any tree embedded in Euclidean space, and a sort of stochastic inverse to the TMD, the Topological Neuron Synthesis (TNS) algorithm, gaining both theoretical and computational insights into the relation between the two. We propose a new approach to classify barcodes using symmetric groups, which provides a concrete language to formulate our results. We investigate to what extent the TNS recovers a geometric tree from its TMD and describe the effect of different types of noise on the process of tree generation from persistence diagrams. We prove moreover that the TNS algorithm is stable with respect to specific types of noise.

연구 동기 및 목표

• 위상적 뉴런 합성(TNS) 알고리즘이 주어진 TMD 바코드에서 기하학적 트리를 확률적으로 복원할 수 있는 정도를 조사한다.
• 대칭군을 사용하여 기하학적 트리의 조합적 분류를 체계화하고, 바코드 순열과 트리 실현 수의 관계를 규명한다.
• 소음, 특히 바의 전치에 대한 TNS 알고리즘의 안정성 분석 및 그 강건성 수치화.
• 생물학적 신경세포 형태와 무작위 트리를 비교하여, TMD 동치류와 실현 빈도를 분석한다.
• 생물학적 트리의 구조적 제약 조건을, 무작위 바코드 분포에서의 벗어남 정도를 측정하여 규명한다.

제안 방법

• TMD 알고리즘은 R³에 임bedded된 유한한 이진 트리를 지속성 바코드(구간의 다중집합)로 매핑하며, 위상적 불변량의 생애 및 사멸 시간을 통해 위상적 특징을 인코딩한다.
• TNS 알고리즘은 매개변수화된 확률적 과정을 사용하여 바코드에서 기하학적 트리를 확률적으로 생성하며, 트리의 구조는 바코드 바의 순열에 의해 결정된다.
• 대칭군을 사용하여 死亡 시간 순열에 따라 바코드를 분류함으로써 트리 실현에 대한 조합적 동치관계를 가능하게 한다.
• 주어진 바코드를 실현하는 기하학적 트리의 수에 대한 명시적 공식을 유도하며, 이는 바코드의 사망 시간에 관련된 순열에 기반한다.
• 대칭군의 케일리 그래프를 사용하여 바의 전치에 따른 트리 실현 수의 변화를 시각화한다.
• 계산 실험을 통해 트리 실현 수의 분포, 경험적 조합적 유형, 그리고 무작위 및 생물학적 바코드 간의 TMD 동치류 다양성을 분석한다.

실험 결과

연구 질문

• RQ1 TNS 알고리즘이 주어진 TMD 바코드에서 원래의 기하학적 트리를 얼마나 잘 복원할 수 있으며, 이는 바코드 순열에 따라 어떻게 달라지는가?
• RQ2 바의 순열이 이루어질 때 주어진 바코드를 실현하는 기하학적 트리의 수는 어떻게 변화하며, 대칭군은 이 과정에서 어떤 역할을 하는가?
• RQ3 소규모 변형, 예를 들어 바코드 내 두 바의 전치와 같은 경우에 TNS 알고리즘의 안정성은 어떻게 되는가?
• RQ4 왜 생물학적 신경세포 형태는 가능한 TMD 동치류의 극히 소수에 해당하는가? 이는 생물학적 제약 조건에 대해 어떤 시사점을 갖는가?
• RQ5 TNS의 확률적 성격은 특히 생애 또는 사망 시간이 유사할 경우 생성 트리의 조합적 유형에 대한 분산에 어떤 영향을 미치는가?

주요 결과

• 주어진 바코드를 실현하는 기하학적 트리의 수는 사망 시간 순열에 의해 명시적으로 결정되며, 모든 사망 시간이 다를 경우 n+1개의 바에 대해 공식 n!이 성립한다.
• TNS 알고리즘은 바 전치에 대해 안정적이며, Bottleneck 및 전치 안정성에 의해 증명되며, 바코드의 소규모 변화가 생성된 트리의 변화에도 소규모로 영향을 미친다.
• 신경세포 재구성에서 유도된 생물학적 바코드는 가능한 TMD 동치류의 극히 소수를 차지하며, 이는 트리 형태에 대한 강력한 생물학적 제약이 있음을 시사한다.
• TNS를 통해 특정 조합적 트리 유형을 생성할 확률은 매개변수 λ에 따라 달라지며, 이는 알고리즘의 확률적 성격을 반영하고 런에 따라 출력이 다양해짐을 의미한다.
• 바코드에 생애 또는 사망 시간이 유사한 바가 포함될 경우, TNS는 여러 동치류 사이를 진동하게 되어 출력 분산이 증가한다.
• 생물학적 아파칼 덴드라이트의 트리 실현 수 분포는 이론적 최댓값(n!)보다 상당히 낮아, 비랜덤하고 생물학적으로 제약된 트리 구조임을 시사한다.