[논문 리뷰] Statistical Analysis and Parameter Selection for Mapper

Mathieu Carrière, Bertrand Michel외 1명|arXiv (Cornell University)|2017. 06. 01.

Topological and Geometric Data Analysis참고 문헌 27인용 수 59

한 줄 요약

매퍼가 리브 그래프에 수렴하고 최적 추정기로서 자동 매개변수 조정 및 위상 특징의 신뢰 구간을 가능하게 한다.

ABSTRACT

In this article, we study the question of the statistical convergence of the 1-dimensional Mapper to its continuous analogue, the Reeb graph. We show that the Mapper is an optimal estimator of the Reeb graph, which gives, as a byproduct, a method to automatically tune its parameters and compute confidence regions on its topological features, such as its loops and flares. This allows to circumvent the issue of testing a large grid of parameters and keeping the most stable ones in the brute-force setting, which is widely used in visualization, clustering and feature selection with the Mapper.

연구 동기 및 목표

• 감독되지 않는 학습 및 시각화를 위한 위상 데이터 분석 도구로서 Mapper 사용을 촉진한다.
• Mapper를 연속 리브 그래프와 연결하는 통계적 수렴 프레임워크를 확립한다.
• 필터의 규칙성 및 데이터 표준성에 기초한 매개변수 선택 지침과 수렴 속도를 도출한다.
• 루프나 플레어 같은 Mapper 위상 특징에 대한 신뢰 구간을 구성하는 방법을 제공한다.

제안 방법

• 고정 길이 r과 고정 중첩 g를 갖는 간격을 사용하여 특정 1- 스켈레톤(Rips) 및 필터 범위의 규칙적 커버로 Mapper를 정의한다.
• 확장 지속 다이어그램과 지속성 거리 dΔ를 사용하여 Mapper 출력과 Reeb 그래프를 비교한다.
• 도달성 및 볼록성 가정과 필터 f의 연속도 모듈러스 ω를 가정하에 dΔ(R_f(X), M_n) 를 r + 2ω(δ)로 상한하는 근사 부등식을 증명한다.
• 샘플 수 n이 증가함에 따라 Mapper의 미니맥스 수렴 속도를 표준성 매개변수 a, b 및 f의 연속도 모듈러스에 따라 도출한다.
• 정확한 필터(알려진 생성 모델)와 추정된 필터(추정량)라는 두 가지 설정과 그에 따른 위험 경계치를 기술한다.
• 알려지지 않은 생성 매개변수를 다루기 위한 보조정리와 서브샘플링 전략 및 안정성 결과를 제시한다.

실험 결과

연구 질문

• RQ1 Mapper가 모스형 필터 아래 공간의 Reeb 그래프를 일관되게 근사하는가?
• RQ2 필터의 규칙성과 데이터 분포의 정규성에 따라 샘플 크기가 커질 때 Mapper가 Reeb 그래프에 수렴하는 속도는 무엇인가?
• RQ3 추정 오차를 최적화하고 인공물/artifacts를 피하기 위해 Mapper 매개변수(r, g, δ)를 어떻게 선택해야 하는가?
• RQ4 확장 지속성(ext persistence)을 통해 Mapper의 위상 특징(루프, 플레어)에 대한 신뢰 구간을 어떻게 계산할 수 있는가?
• RQ5 정확한 필터 설정과 추정 필터 설정이 추정기 위험과 실용적 매개변수 조정 측면에서 어떻게 비교되는가?

주요 결과

• 특정 매개변수 선택을 갖는 Mapper는 dΔ(R_f(X), M_n) ≤ r + 2ω(δ)를 만족시키며 구체적인 근사 경계를 제공한다.
• 필터의 연속도 모듈러스 ω와 데이터 차원 매개변수 b에 따라 Mapper의 Reeb 그래프 수렴 속도가 결정되며 로그 팩터를 제외하면 미니맥스 최적성을 얻는다.
• 표준성 가정(a, b)과 Lipschitz 또는 concave 모듈러스의 연속도 하에서 Mapper는 관련 집합 추정 문제에 알려진 속도와 유사한 수렴 속도를 달성한다.
• 보조정리는 필터 추정 오차에 대한 강건성을 보여주며 추정자 편차 ω(δ)와 샘플로 유발된 차이를 포함하는 경계치를 제시한다.
• 진짜 생성 모델 매개변수가 알려지지 않았을 때 파라미터 조정을 가능하게 하는 서브샘플링 전략은 수렴 보장을 유지한다.