[논문 리뷰] Spectral clustering of Markov chain transition matrices with complex eigenvalues

Anna-Simone Frank, Alexander Sikorski외 1명|arXiv (Cornell University)|2022. 06. 29.

Bayesian Methods and Mixture Models인용 수 4

한 줄 요약

이 논문은 복소수 고유값을 가진 마르코프 체인으로까지 PCCA+를 확장한 cPCCA+를 소개한다. 복소수 고유벡터를 실수부와 허수부로 분해하여 실수 기반의 부분공간 표현을 구성함으로써, 원형 체인과 유전자 조절 네트워크와 같은 비가역 스토케스틱 과정의 효율적이고 정확한 거시적 분해를 가능하게 한다. 이 방법은 GenPCCA와 유사한 정확도를 달성하지만, 계산 비용이 높은 슈어 분해를 피하기 때문에 MATLAB에서 훨씬 빠른 실행 시간을 보인다.

ABSTRACT

The Robust Perron Cluster Analysis (PCCA+) has become a popular spectral clustering algorithm for coarse-graining transition matrices of nearly decomposable Markov chains with transition states. Originally developed for reversible Markov chains, the algorithm only worked for transition matrices with real eigenvalues. In this paper, we therefore extend the theoretical framework of PCCA+ to Markov chains with a complex eigen-decomposition. We show that by replacing a complex conjugate pair of eigenvectors by their real and imaginary components, a real representation of the same subspace is obtained, which is suitable for the cluster analysis. We show that our approach leads to the same results as the generalized PCCA+ (GenPCCA), which replaces the complex eigen-decomposition by a conceptually more difficult real Schur decomposition. We apply the method on non-reversible Markov chains, including circular chains,and demonstrate its efficiency compared to GenPCCA. The experiments are performed in the Matlab programming language and codes are provided.

연구 동기 및 목표

• PCCA+의 적용 범위를 실수 고유값을 가진 가역 마르코프 체인에서 복소수 고유값을 가진 비가역 체인으로 확장하기 위해.
• 특히 슈어 분해 및 정렬 루틴을 직접 사용함으로써 MATLAB에서 GenPCCA의 계산 비효율성 문제를 해결하기 위해.
• 복소수 고유분해를 통해 얻은 전이행렬에 대한 스펙트럴 클러스터링을 위한 이론적으로 타당하고 계산적으로 효율적인 GenPCCA의 대안을 제공하기 위해.
• 실제 사례인 원형 전이행렬과 확률적 유전자 조절 네트워크에서 방법의 효과성을 입증하기 위해.

제안 방법

• 복소수 켤레 고유벡터 쌍을 실수부와 허수부로 분리하여 스펙트럴 클러스터링에 적합한 실수 부분공간 표현을 구성하기 위해.
• 실수 값 부분공간에 표준 PCCA+ 클러스터링 프레임워크를 적용하여, 비가역 상태의 정체성 조건을 유지하기 위해 불변 부분공간 조건을 보존하기 위해.
• 전이행렬 P의 고유분해를 통해 주요 고유값과 고유벡터(복소수 켤레 쌍 포함)를 추출하기 위해.
• 결과적으로 얻어진 거시적 전이행렬 P_c가 PCCA+에서 요구하는 매크로상태 간의 느린 전이와 내부 상태 간의 빠른 전이를 유지하도록 보장하기 위해.
• 알고리즘을 MATLAB로 구현하고, 슈어 분해 및 정렬 루틴을 사용하는 GenPCCA와의 성능 비교를 수행하기 위해.
• 합성 원형 체인과 확률적 유전자 조절 네트워크 모델을 대상으로 방법을 검증하고, 실행 시간과 정확도를 측정하기 위해.

실험 결과

연구 질문

• RQ1 복소수 고유벡터의 실수부와 허수부를 분리하여 실수 기반 부분공간 표현을 구성함으로써, PCCA+는 복소수 고유값을 가진 마르코프 체인을 다룰 수 있는가?
• RQ2 복소수 고유벡터의 실수부와 허수부를 분리하여 구성된 실수 부분공간이, 스펙트럴 클러스터링에 필요한 불변 부분공간 조건을 유지하는가?
• RQ3 상태공간 크기가 증가함에 따라, cPCCA+의 계산 성능은 MATLAB에서 GenPCCA와 비교해 어떻게 되는가?
• RQ4 cPCCA+는 원형 체인과 유전자 조절 네트워크와 같은 비가역 시스템에서 안정 상태를 정확하게 식별할 수 있는가?

주요 결과

• cPCCA+는 복소수 고유벡터를 실수 성분으로 변환함으로써 정확도 손실 없이 PCCA+를 비가역 마르코프 체인으로 확장하는 데 성공하였다.
• 복소수 고유벡터의 실수부와 허수부를 사용할 경우, 불변 부분공간 조건이 유지되어 유효한 클러스터 할당이 보장된다.
• cPCCA+는 원형 전이행렬과 유전자 조절 네트워크 모델 모두에서 GenPCCA와 유사한 클러스터링 정확도를 달성하였다.
• cPCCA+는 특히 큰 상태공간 크기에서 GenPCCA보다 훨씬 빠른 실행 시간을 보였으며, 이는 직접적인 슈어 분해 및 정렬 루틴을 피했기 때문이다.
• 유전자 조절 네트워크 사례에서, cPCCA+와 GenPCCA 간의 실행 시간 차이는 상태공간 크기의 제곱에 비례하여 증가하였고, cPCCA+는 항상 GenPCCA를 앞서는 성능을 보였다.
• 행렬 원소의 미세한 변동에 대해서도 방법이 강건하여, 일반적으로 고유분해가 가능하므로 실용적으로 유의미한 접근이다.