[논문 리뷰] Hierarchical Clustering Given Confidence Intervals of Metric Distances

Weiyu Huang, Alejandro Ribeiro|arXiv (Cornell University)|2016. 10. 13.

Topological and Geometric Data Analysis참고 문헌 15인용 수 4

한 줄 요약

이 논문은 거리 값이 신뢰 구간 내에서만 알려진 경우를 위한 축약적 프레임워크를 제안한다. 거리의 신뢰 구간 내에서만 알려진 경우에 대해 값의 공리와 변환 공리(Transformation Axiom)를 만족하는 두 가지 극단적 방법—결합-클러스터링과 클러스터-결합—을 도입하여, 모든 허용 가능한 클러스터링 방법에 대해 일반적인 상한과 하한을 제공하며, 이는 움직이는 점의 추적과 뇌 연결망의 차별화에 실용적인 유용성을 보여준다.

ABSTRACT

This paper considers metric spaces where distances between a pair of nodes are represented by distance intervals. The goal is to study methods for the determination of hierarchical clusters, i.e., a family of nested partitions indexed by a resolution parameter, induced from the given distance intervals of the metric spaces. Our construction of hierarchical clustering methods is based on defining admissible methods to be those methods that abide to the axioms of value - nodes in a metric space with two nodes are clustered together at the convex combination of the distance bounds between them - and transformation - when both distance bounds are reduced, the output may become more clustered but not less. Two admissible methods are constructed and are shown to provide universal upper and lower bounds in the space of admissible methods. Practical implications are explored by clustering moving points via snapshots and by clustering networks representing brain structural connectivity using the lower and upper bounds of the network distance. The proposed clustering methods succeed in identifying underlying clustering structures via the maximum and minimum distances in all snapshots, as well as in differentiating brain connectivity networks of patients from those of healthy controls.

연구 동기 및 목표

• 정확한 거리 값이 알려져 있지 않지만, 신뢰 구간으로 제한되어 있을 경우 계층적 클러스터링을 위한 공리적 접근 방식을 개발하는 것.
• 거리의 공백값 조합에 따라 클러스터링이 이루어지는 '값의 공리'(Axiom of Value)와 균일한 지배 관계 하에서 단조성 보장이 보장되는 '변환 공리'(Axiom of Transformation)를 만족하는 허용 가능한 클러스터링 방법을 정의하는 것.
• 모든 허용 가능한 방법에 대해 일반적인 상한과 하한을 제공하는 두 가지 극단적 방법—결합-클러스터링과 클러스터-결합—을 구성하는 것.
• 스냅샷을 통한 움직이는 점의 클러스터링과 환자 및 건강한 대조군 간의 뇌 구조적 연결망 차별화를 통한 실용적 유용성을 입증하는 것.

제안 방법

• 결합-클러스터링 방법은 쌍별 거리를 하한과 상한의 볼록 조합으로 추정한 후, 체인 내 최대 간선 가중치를 비용으로 사용하는 단일 연결 클러스터링을 적용한다.
• 클러스터-결합 방법은 하한 및 상한 거리 행렬 각각에 대해 별도의 단일 연결 계층적 계층을 계산한 후, 동일한 볼록 조합을 사용해 최종 초우르트라메트릭을 형성한다.
• 값의 공리는 두 노드 시스템이 거리의 하한과 상한의 볼록 조합 정확히 클러스터링되어야 한다는 조건을 요구하며, 이는 신뢰 무게 α로 매개변수화된다.
• 변환 공리는 한 네트워크의 거리 범위가 다른 네트워크의 모든 범위를 균일하게 지배할 경우, 그 결과 클러스터링이 더 세밀해야 한다는 조건으로 수정된다 (즉, 더 많은 클러스터가 형성되어야 한다).
• 이론적 분석을 통해 결합-클러스터링 방법은 모든 허용 가능한 방법 중에서 가장 흐린 클러스터링(상한)을 제공하고, 클러스터-결합 방법은 가장 날카로운 클러스터링(하한)을 제공함을 증명한다.
• 이 프레임워크는 α-거리 감소 사상(α-distance-reducing maps)을 사용하여, 결과 초우르트라메트릭의 최소 분리 거리가 간격의 극한 값의 볼록 조합으로 아래에서 유계임을 증명한다.

실험 결과

연구 질문

• RQ1 거리 값이 알려져 있지 않지만, 오직 거리의 신뢰 구간만 제공될 경우 계층적 클러스터링을 어떻게 일관되게 정의할 수 있는가?
• RQ2 거리 값의 불확실성 하에서 클러스터링 행동이 논리적으로 일관성을 유지하기 위해 어떤 공리가 필요한가?
• RQ3 이러한 공리 하에서 모든 다른 허용 가능한 방법을 둘러싸는 극단적 클러스터링 방법을 구성할 수 있는가?
• RQ4 제안된 방법들은 불확실하거나 간격 기반 거리 데이터를 가진 실제 응용에서 어떻게 성능을 발휘하는가?
• RQ5 이 방법들은 뇌 연결망과 같이 동적 또는 생물학적 네트워크에서 의미 있는 구조적 차이를 식별하는 데 유용한가?

주요 결과

• 결합-클러스터링 방법은 모든 허용 가능한 방법 중에서 가장 흐린 클러스터링을 생성하며, 일반적인 상한으로 기능한다.
• 클러스터-결합 방법은 모든 허용 가능한 방법 중에서 가장 날카로운 클러스터링을 생성하며, 일반적인 하한으로 기능한다.
• 두 방법 모두 값의 공리와 수정된 변환 공리를 만족하여, 거리의 불확실성 하에서도 논리적 일관성을 보장한다.
• 움직이는 점 실험에서, 두 방법은 스냅샷 간 최대 및 최소 거리만을 사용하여도 기저의 클러스터링 구조를 성공적으로 식별했다.
• 뇌 네트워크 분석에서는 환자와 건강한 대조군 간의 연결 패턴을 구분하였으며, 하한 및 상한 방법이 서로 다른 클러스터링 행동을 드러냈다.
• 이론적 프레임워크는 모든 허용 가능한 방법이 초우르트라메트릭을 생성할 경우, 쌍별 분리 거리가 간격 극한 값의 볼록 조합과 두 제안된 극단적 방법의 결과 사이에 유계임을 증명한다.