[논문 리뷰] Graph Laplacians, Riemannian Manifolds and their Machine-Learning

Yang‐Hui He, Shing‐Tung Yau|arXiv (Cornell University)|2020. 06. 30.

Topological and Geometric Data Analysis참고 문헌 62인용 수 11

한 줄 요약

이 논문은 그래프 라플라시안과 기계학습을 사용하여 유한 그래프의 기하학적 및 위상수학적 성질을 조사하며, 신경망이 월프람 데이터베이스의 약 8,000개의 그래프에서 리치 평탄성, 스펙트럼 갭 예측, 해밀토니안 사이클 탐지 등을 정확하게 분류할 수 있음을 보여준다. 주요 기여는 이산 리만 기하학의 유사체에 대해 지도 및 비지도 기계학습을 성공적으로 적용하여 깊은 스펙트럼적 및 위상수학적 불변량에 대한 강력한 예측 능력을 드러낸 것이다.

ABSTRACT

Graph Laplacians as well as related spectral inequalities and (co-)homology provide a foray into discrete analogues of Riemannian manifolds, providing a rich interplay between combinatorics, geometry and theoretical physics. We apply some of the latest techniques in data science such as supervised and unsupervised machine-learning and topological data analysis to the Wolfram database of some 8000 finite graphs in light of studying these correspondences. Encouragingly, we find that neural classifiers, regressors and networks can perform, with high efficiently and accuracy, a multitude of tasks ranging from recognizing graph Ricci-flatness, to predicting the spectral gap, to detecting the presence of Hamiltonian cycles, etc.

연구 동기 및 목표

• 이산 리만 기하학의 유사체를 그래프 라플라시안과 스펙트럼 이론을 통해 탐색하기.
• 기계학습이 유한 그래프에서 깊은 기하학적 및 위상수학적 불변량을 탐지할 수 있는지 조사하기.
• 신경망이 리치 평탄성 분류, 스펙트럼 갭 예측, 해밀토니안 사이클 탐지에 있어 효용성을 테스트하기.
• 그래프 스펙트럼과 불변량에 대해 위상적 데이터 분석 및 차원 축소를 적용하기.
• 이산 기하학, 스펙트럼 그래프 이론, 그리고 현대 데이터 과학 기법 간의 다리를 구축하기.

제안 방법

• 주로 약 8,000개의 유한, 무방향, 단순 그래프로 구성된 월프람 데이터베이스를 데이터셋으로 사용한다.
• 스펙트럼 갭, 리치 평탄성, 해밀토니안 사이클 존재 여부 등의 그래프 성질을 예측하기 위해 지도 및 비지도 기계학습을 적용한다.
• 라플라시안 스펙트럼에서 그래프 불변량을 모델링하기 위해 신경 분류기, 회귀기, 오토에인코드어를 활용한다.
• 고유값 분포에 대해 위상적 데이터 분석(TDA), 주성분 분석(PCA), 스펙트럼 군집화를 사용한다.
• 경로 복합체에 대한 강제 선형 대수를 통해 그래프의 호모로지 및 코호모로지를 계산하며, ∂-불변 부분공간을 정의한다.
• 호모로지 차원에서 유도된 베티 수로부터 오일러 특성을 정의하고 계산한다.

실험 결과

연구 질문

• RQ1 기계학습은 이산 곡률 개념을 사용하여 그래프를 리치 평탄으로 정확하게 분류할 수 있는가?
• RQ2 신경망은 그래프 구조에서 정규화 라플라시안의 스펙트럼 갭을 어느 정도 정확하게 예측할 수 있는가?
• RQ3 기계학습은 높은 정확도로 그래프에 해밀토니안 사이클이 존재하는지 탐지할 수 있는가?
• RQ4 위상적 데이터 분석 및 차원 축소는 그래프 스펙트럼의 내재 기하학을 어느 정도 잘 포착할 수 있는가?
• RQ5 유한 그래프에서 이산 호모로지와 고전적 위상수학적 불변량인 오일러 특성 간의 관계는 어떠한가?

주요 결과

• 신경망은 그래프 라플라시안 스펙트럼을 사용하여 OLLY-리치 평탄 및 CD-리치 평탄 그래프를 높은 정확도로 분류한다.
• 지도 학습 모델은 정규화 라플라시안의 스펙트럼 갭을 높은 효율성과 정확도로 성공적으로 예측한다.
• 이중피라미드 그래프 G_dp(5)는 고유값 {3/2, 5/4, 5/4, 1, 0}을 가지며, 이는 그 스펙트럼 성질을 확인한다.
• 그래프 G_dp(5)는 평면도형이며, 계면수 0, 색수 4, 지름 2, 둘레 3을 가지며, 정확히 6개의 해밀토니안 사이클을 포함한다.
• G_dp(5)의 호모로지 계산 결과 dim Ω₀ = 5, dim Ω₁ = 9, dim Ω₂ = 6, dim Ω₃ = 2, dim Ωₙ≥₄ = 0이며, 오일러 특성 χ = 0을 얻는다.
• A₂에서 ∂-불변 부분공간에 대한 선형 시스템은 6개의 자유 계수를 가지며, dim Ω₂ = 6을 확인한다. 전체 호모로지 계산은 오일러 특성의 위상수학적 불변성을 확인한다.