[논문 리뷰] Unveiling the higher-order organization of multivariate time series

Andrea Santoro, Federico Battiston외 2명|arXiv (Cornell University)|2022. 03. 21.

Complex Systems and Time Series Analysis인용 수 4

한 줄 요약

이 논문은 다변량 시계열에서 군집 수준의 의존성을 밝혀내기 위해 고차원 네트워크 구조—특히 초그래프와 호모로지적 스케일링—를 사용하는 새로운 위상적 프레임워크를 제안한다. 공변동적 패턴과 지속적인 위상적 특징을 분석함으로써, 혼돈 시스템에서의 다릅니다. 이 방법은 뇌, 금융, 유행병 데이터에서 높은 차원의 조직 구조의 강력한 서명을 식별하며, 쌍방 통계 방법보다 더 복잡한 군집 상호작용을 탐지하는 데 뛰어난 성능을 보인다.

ABSTRACT

Time series analysis has proven to be a powerful method to characterize several phenomena in biology, neuroscience and economics, and to understand some of their underlying dynamical features. Despite a plethora of methods have been proposed for the analysis of multivariate time series, most of them neglect the effect of non-pairwise interactions on the emerging dynamics. Here, we propose a novel framework to characterize the temporal evolution of higher-order dependencies within multivariate time series. Using network analysis and topology, we show that, unlike traditional tools based on pairwise statistics, our framework robustly differentiates various spatiotemporal regimes of coupled chaotic maps, including chaotic dynamical phases and various types of synchronization. Hence, using the higher-order co-fluctuation patterns in simulated dynamical processes as a guide, we highlight and quantify signatures of higher-order patterns in data from brain functional activity, financial markets, and epidemics. Overall, our approach sheds new light on the higher-order organization of multivariate time series, allowing a better characterization of dynamical group dependencies inherent to real-world data.

연구 동기 및 목표

• 다변량 시계열에서 군집 상호작용을 포착하는 데에 한계가 있는 쌍방 통계 방법의 문제를 해결하기 위해.
• 이차 상관관계를 초월한 고차원 의존성의 식별 및 정량화를 위한 프레임워크를 개발하기 위해.
• 위상적 데이터 분석과 네트워크 이론을 활용하여 실제 복잡계에서의 공변동적 패턴의 지속성 검출하기 위해.
• 모의 혼돈 시스템과 뇌과학, 금융, 유행병학 분야의 실재 데이터를 바탕으로 방법의 유효성 검증하기 위해.
• 고차원적 구조가 기존의 기능적 연결도로는 탐지할 수 없는 역학적 제도와 기능적 조직을 드러내는지 입증하기 위해.

제안 방법

• 슬라이딩 윈도우 방법을 사용하여 시간 시리즈 데이터에서 공변동하는 변수의 집단을 식별함으로써 초그래프를 구성한다.
• 고차원 상호작용의 강도와 지속성을 정량화하기 위해 초그래프의 초일관성(hyper-coherence)과 초복잡성(hyper-complexity)을 계산한다.
• 지속적 호모로지 기법을 사용하여 공변동 공간 내에서 1차원 고리(구멍)와 같은 위상적 특징을 탐지함으로써 지속적인 군집 역학을 식별한다.
• 위반 삼각형(일관되지 않은 삼중조합)을 데이터 내 비정상적인 고차원적 구조의 지표로 식별한다.
• 극단적 프레임—가장 높은 초일관성 또는 가장 낮은 초복잡성—을 분리하기 위해 임계값 전략을 적용한다.
• 지역 고차원 지표(예: 노드 및 간선 수준의 초일관성과 호모로지 지속성)를 통합하여 뇌 영역 수준의 기능 네트워크를 매핑한다.

실험 결과

연구 질문

• RQ1 다변량 시계열에서 고차원 위상적 구조가 쌍방 통계로는 탐지할 수 없는 역학적 제도를 드러낼 수 있는가?
• RQ2 1차원 고리와 같은 지속적 위상적 특징은 기본 모드 네트워크와 같은 알려진 기능적 뇌 네트워크와 어떻게 관련이 있는가?
• RQ3 고차원 지표가 복잡계 상태 분류, 예를 들어 유행병 확산 또는 금융 위기와 같은 상황에서 얼마나 향상된 성능을 보일 수 있는가?
• RQ4 뇌 기능 네트워크는 초일관성과 초복잡성의 다양한 임계값에서 일관된 고차원 공변동 패턴을 보이는가?
• RQ5 제안된 방법은 뇌과학, 금융, 유행병학 분야의 실재 시계열에서 개인적 역학과 집단적 역학을 구분할 수 있는가?

주요 결과

• 이 방법은 쌍방 통계 방법보다 뛰어난 성능을 보이며, 결합된 혼돈 맵에서 혼돈 역학적 단계와 동기화 유형을 성공적으로 구분한다.
• 뇌 데이터에서는 가장 초일관성이 높은 프레임이 항상 기본 모드 네트워크와 감각운동 영역을 활성화하며, 위상적 특징이 임계값 수준을 초월해 지속된다.
• 호모로지 스케일링은 기본 모드 네트워크와 전두두엽-두정엽 네트워크에 집중된 지속적인 1차원 고리를 드러내어 이들이 고차원 역학 통합에 기여하는 역할을 확인한다.
• 미국의 역사적 유행병 데이터 분석에서, 초일관성, 간선 위반 수, 초복잡성을 특징으로 사용한 RBF SVM 분류기의 평균 정확도는 0.85를 기록했다.
• 랜덤 포레스트와 RBF SVM는 각각 0.85의 최고 F1 가중 점수를 기록하여 고차원 지표의 예측 능력을 입증했다.
• 이 프레임워크는 다양한 시스템에서 높은 차원의 조직의 강력하고 재현 가능한 서명을 식별하여, 복잡계 분석 분야에서의 실용성을 검증했다.