[논문 리뷰] Toroidal Coordinates: Decorrelating Circular Coordinates With Lattice Reduction

Luis Scoccola, Hitesh Gakhar외 5명|arXiv (Cornell University)|2022. 12. 14.

Advanced Numerical Analysis Techniques인용 수 1

한 줄 요약

이 논문은 토폴로지컬 데이터 분석에서 선형 독립적인 코homology 클래스로부터 유도된 원형 값 맵의 상관관계를 제거하기 위해 격자 감소를 이용하여 토러스 값 표현에서 딜리클레 에너지를 최소화하는 체계적인 방법을 제안한다. 이 방법은 리만 기하학과 계산 수학 이론에 기반하여 낮은 에너지, 기하학적으로 상관관계가 없는 좌표를 생성하며, 특히 신경과학 및 동역학 시스템 분야의 실제 데이터셋과 시뮬레이션 데이터셋에서 기존 원형 좌표보다 뛰어난 성능을 보인다.

ABSTRACT

The circular coordinates algorithm of de Silva, Morozov, and Vejdemo-Johansson takes as input a dataset together with a cohomology class representing a $1$-dimensional hole in the data; the output is a map from the data into the circle that captures this hole, and that is of minimum energy in a suitable sense. However, when applied to several cohomology classes, the output circle-valued maps can be "geometrically correlated" even if the chosen cohomology classes are linearly independent. It is shown in the original work that less correlated maps can be obtained with suitable integer linear combinations of the cohomology classes, with the linear combinations being chosen by inspection. In this paper, we identify a formal notion of geometric correlation between circle-valued maps which, in the Riemannian manifold case, corresponds to the Dirichlet form, a bilinear form derived from the Dirichlet energy. We describe a systematic procedure for constructing low energy torus-valued maps on data, starting from a set of linearly independent cohomology classes. We showcase our procedure with computational examples. Our main algorithm is based on the Lenstra--Lenstra--Lovász algorithm from computational number theory.

연구 동기 및 목표

• 원형 값 맵 간 기하학적 상관관계를 딜리클레 형식과 에너지 최소화를 통해 수학적으로 정의한다.
• 다중 코homology 클래스를 사용할 경우 기존 원형 좌표 알고리즘에서 체계적인 상관관계 제거가 부족한 문제를 해결한다.
• 독립적인 코homology 클래스로부터 저에너지 토러스 값 맵을 구성하기 위한 확장 가능한 알고리즘을 개발한다.
• 복잡한 데이터셋에서 별개의 위상적 특징을 유지하는 데 있어 제안된 방법이 표준 원형 좌표보다 뛰어난 성능을 보임을 입증한다.

제안 방법

• 이 방법은 매끄러운 맵 f, g : M → S¹ 간 기하학적 상관관계를 측정하기 위해 딜리클레 형식 D(f, g)를 사용한다.
• 정리 15를 통해 딜리클레 에너지와 코사이클 위의 내적 간의 대응 관계를 설정함으로써, 코homology 수준에서 에너지 최소화를 가능하게 한다.
• 토러스 좌표 알고리즘(알고리즘 2)은 코homology 격자 위에서 격자 감소 문제를 해결하여 저에너지 토러스 값 맵을 구성한다.
• 스parser 토러스 좌표 알고리즘(알고리즘 8)은 데이터와 단순체의 구조적 희소성을 활용하여 확장성을 향상시킨다.
• 이 알고리즘은 계산 수학에서 유래한 LLL 알고리즘을 활용하여 코homology 클래스의 정수 선형 조합 중 총 딜리클레 에너지를 최소화하는 조합을 찾는다.
• 이 방법은 개념 증명용 GitHub 리포지토리로 구현되었으며, 슬라이딩 윈도우 임베딩과 시뮬레이션 신경과학 데이터를 포함한 네 가지 데이터셋에서 테스트되었다.

실험 결과

연구 질문

• RQ1 토러스 데이터 분석에서 원형 값 맵 간 기하학적 상관관계를 수학적으로 정의하고 정량화할 수 있는가?
• RQ2 선형 독립적인 코homology 클래스로부터 유도된 다중 원형 값 맵을 체계적으로 상관관계 없애는 절차를 개발할 수 있는가?
• RQ3 기본 조합 대비 격자 감소가 토러스 값 표현의 에너지 효율성과 기하학적 독립성에 얼마나 기여하는가?
• RQ4 제안된 방법이 복잡한 데이터셋에서 별개의 위상적 특징을 어떻게 더 잘 포착하는가?
• RQ5 정확도를 유지하면서도 대규모 또는 고차원 데이터셋에 효과적으로 스케일업할 수 있는가?

주요 결과

• 파동 데이터셋에 대한 스퍼스 원형 좌표 알고리즘의 딜리클레 상관행렬은 DSCC = [[1.1, 6.1], [6.1, 112.3]]로 나타나 높은 기하학적 상관관계를 보였다.
• 토러스 좌표 알고리즘을 적용한 후 딜리클레 상관행렬은 DSTC = [[1.1, 1], [1, 76.6]]로 감소하여 상당한 상관관계 제거가 이루어졌다.
• 시뮬레이션 신경과학 예제에서 스퍼스 원형 좌표 알고리즘은 많은 실행에서 세 개의 머리 방향을 회복하지 못했지만, 토러스 좌표 알고리즘은 일관되게 성공했다.
• 기저 교체 행렬 M = [[1, 0], [-5, 1]]은 원래 코homology 클래스를 최소 에너지로 상관관계가 없는 기저로 변환하였다.
• 신경과학 예제에서 토러스 좌표 알고리즘의 딜리클레 상관행렬은 DSTC = [[51.6, -0.9, 0.8], [-0.9, 50.2, 0.5], [0.8, 0.5, 51.1]]로 나타나 원래 DSCC 행렬 대비 강력한 상관관계 제거가 이루어졌다.
• 쌍별 L2 거리의 시각화 결과, 그림 9의 토러스 좌표에서 수평 좌표는 순수하게 회전을 파라미터화하는 것으로 확인되었으며, 반면 원형 좌표는 이 기능을 분리하지 못했다.