[논문 리뷰] Simplex2Vec embeddings for community detection in simplicial complexes

Jacob Billings, Mirko Hu외 6명|arXiv (Cornell University)|2019. 06. 21.

Topological and Geometric Data Analysis참고 문헌 59인용 수 18

한 줄 요약

이 논문은 랜덤 워크를 통해 고차원 상호작용을 활용하여 단순체(simplicial complexes)로 확장된 node2vec의 변형인 Simplex2Vec을 제안한다. 이는 공동체 구조 탐지에 기여하며, 사회 네트워크에서 클러스터링 정확도를 향상시키고 fMRI 데이터에서 그룹 상호작용에 가장 영향을 받는 뇌 영역을 식별한다. 고차원 단순체는 공동체 탐지에 중대한 영향을 미치며, 이는 높은 정확도로 공동체를 탐지할 수 있음을 보여준다.

ABSTRACT

Topological representations are rapidly becoming a popular way to capture and encode higher-order interactions in complex systems. They have found applications in disciplines as different as cancer genomics, brain function, and computational social science, in representing both descriptive features of data and inference models. While intense research has focused on the connectivity and homological features of topological representations, surprisingly scarce attention has been given to the investigation of the community structures of simplicial complexes. To this end, we adopt recent advances in symbolic embeddings to compute and visualize the community structures of simplicial complexes. We first investigate the stability properties of embedding obtained for synthetic simplicial complexes to the presence of higher order interactions. We then focus on complexes arising from social and brain functional data and show how higher order interactions can be leveraged to improve clustering detection and assess the effect of higher order interaction on individual nodes. We conclude delineating limitations and directions for extension of this work.

연구 동기 및 목표

• 쌍방향 관계를 초월한 고차원 상호작용을 고려하지 않는 단순체를 위한 공동체 탐지 방법의 부족을 해결하기 위해.
• 고차원 시스템 내에서 노드의 구조적 역할을 포괄하는 확장 가능하고 해석 가능한 임bedding 프레임워크를 개발하기 위해.
• 실제 데이터인 사회 네트워크와 뇌 功能 네트워크에서 고차원 상호작용이 공동체 구조와 노드 수준의 안정성에 미치는 영향을 평가하기 위해.
• 복잡한 시스템에서 고차원 상호작용의 포함 여부에 따라 가장 민감한 노드 또는 영역을 식별할 수 있는 도구를 제공하기 위해.

제안 방법

• 다양한 차원의 단순체에 대해 랜덤 워크를 정의함으로써 node2vec과 word2vec 원리를 단순체에 적용한다.
• 매개변수 p와 q를 사용한 비대칭 랜덤 워크를 통해 단순체의 주변을 탐색하여 위상적 및 구조적 관계를 유지한다.
• 랜덤 워크를 통해 생성된 단순체의 순서를 기반으로 스킵그램 모델을 훈련시켜 단순체를 저차원 연속 벡터로 매핑한다.
• 임베딩을 시각화하고 벡터 공간에서 공동체를 탐지하기 위해 차원 축소(예: t-SNE)를 적용한다.
• 다양한 상호작용 차수 간의 유사도를 측정하기 위해 단순체 임베딩 간 코사인 유사도를 사용한다.
• 단순체의 임베딩이 증가하는 상호작용 차수에 걸쳐 평균 코사인 유사도로 정의된 안정성 점수 $ s_i $ 를 정의하여 고차원 효과에 대한 민감도를 나타낸다.

실험 결과

연구 질문

• RQ1 쌍방향 모델에 비해 고차원 단순체는 단순체의 공동체 구조 탐지에 어떻게 영향을 미치는가?
• RQ2 실제 데이터에서 기준 모델 대비 Simplex2Vec 임베딩이 클러스터링 정확도를 얼마나 향상시키는가?
• RQ3 임베딩 안정성 측정 기준으로 볼 때, 고차원 상호작용 포함 여부에 가장 민감한 노드 또는 뇌 영역는 무엇인가?
• RQ4 고차원 상호작용이 풍부한 복잡한 시스템, 예를 들어 사회 네트워크와 기능 뇌 네트워크에서 이 방법은 공동체 구조를 신뢰성 있게 탐지하고 시각화할 수 있는가?

주요 결과

• 고차원 상호작용은 공동체 구조에 중대한 영향을 미치며, 단순체에서의 공동체 탐지 정확도가 쌍방향 모델 대비 높은 정확도로 향상됨을 보여준다.
• 뇌 기능 데이터에서 뇌간, 보조 시각 피질, 소뇌핵 등 일부 영역에서 낮은 임베딩 안정성 점수로 인해 고차원 상호작용에 매우 민감한 것으로 나타났다.
• 소뇌, 담황핵, 대량의 시상핵 등 일부 영역는 다양한 상호작용 차수에서 높은 안정성을 보이며 고차원 동역학의 영향을 덜 받는 것으로 나타났다.
• 이 방법은 소뇌 영역의 다수를 안정적인 것으로 탐지하여, 상호작용 차수와 무관하게 강건한 공동체 구조를 유지함을 보여주었다.
• 임베딩 안정성 점수($ s_i $)는 고차원 상호작용으로 인한 구조적 변화에 취약한 뇌 영역를 효과적으로 특정함으로써, 기능 통합에 대한 타겟 분석이 가능하게 하였다.
• 최대 단순체 차수를 증가시킬 경우 뇌 영역 간에 임베딩 및 클러스터링 결과의 변동성이 뚜렷하게 나타나, 공동체 조직의 이질성을 반영하였다.