[논문 리뷰] Capturing Dynamics of Time-Varying Data via Topology

Lu Xian, Henry Adams외 2명|arXiv (Cornell University)|2020. 10. 07.

Topological and Geometric Data Analysis참고 문헌 50인용 수 5

한 줄 요약

이 논문은 시간에 따라 변화하는 거리 공간을 위한 새로운 3차원 위상적 요약인 크로커 스택을 소개한다. 이는 시간, 척도, 위상적 지속성 정보를 통합한다. 크로커 스택이 고파르-하우스도르프 거리에서 연속임을 증명하여 안정성을 입증하고, 실험을 통해 전통적인 순서 매개변수보다 생물학적 집합 모델의 매개변수 복원에서 뛰어난 성능을 보임을 보여준다. 다만 계산 비용은 더 높다.

ABSTRACT

One approach to understanding complex data is to study its shape through the lens of algebraic topology. While the early development of topological data analysis focused primarily on static data, in recent years, theoretical and applied studies have turned to data that varies in time. A time-varying collection of metric spaces as formed, for example, by a moving school of fish or flock of birds, can contain a vast amount of information. There is often a need to simplify or summarize the dynamic behavior. We provide an introduction to topological summaries of time-varying metric spaces including vineyards [19], crocker plots [56], and multiparameter rank functions [37]. We then introduce a new tool to summarize time-varying metric spaces: a crocker stack. Crocker stacks are convenient for visualization, amenable to machine learning, and satisfy a desirable continuity property which we prove. We demonstrate the utility of crocker stacks for a parameter identification task involving an influential model of biological aggregations [58]. Altogether, we aim to bring the broader applied mathematics community up-to-date on topological summaries of time-varying metric spaces.

연구 동기 및 목표

• 시간에 따라 변화하는 거리 공간을 분석하기 위한 위상적 도구, 즉 비브드, 크로커 플롯, 다매개변수 랭크 함수에 대한 종합적인 개요를 제공한다.
• 동적 데이터의 안정적이고 머신러닝에 적합한 요약을 위해 새로운 표현 방식인 크로커 스택을 제안한다.
• 집단 행동 모델을 포함한 실제 응용에서 매개변수 식별 작업에 있어서 크로커 스택의 분류 능력을 평가한다.
• 크로커 스택의 고파르-하우스도르프 거리에 대한 이론적 연속성 성질을 확립하여 입력 데이터의 미세한 변동에 대해 안정성을 보장한다.

제안 방법

• 시간과 척도에 걸쳐 지속 호몰로지 계산을 통해 크로커 스택을 구성한다. 각 시간 단계와 척도 파라미터에서 비에토리스-립스 복합체를 사용해 영구성 다이어그램을 구축한다.
• 3차원 시각화를 제안하며, x축은 시간, y축은 척도(에프실론), z축은 영구성 호몰로지 군의 랭크로 구성되어 영구성 다이어그램의 스택 형태를 이룬다.
• 크로커 스택 함수 $ f_{\mathbf{X}}(t, \varepsilon, \alpha) $ 는 시간 $ t $, 척도 $ \varepsilon $, 스무딩 파라미터 $ \alpha $ 에서의 영구성 호몰로지 군의 랭크로 정의되며, 머신러닝에 적합한 벡터화를 가능하게 한다.
• 크로커 스택이 고파르-하우스도르프 거리에서 연속임을 증명한다: 두 시간에 따라 변화하는 거리 공간이 $ d_{\mathrm{GH}}^\infty $ 에서 가까우면, 그들의 크로커 스택도 랭크 함수에 대한 부등식을 통해 통제 가능한 방식으로 가까워진다.
• 각 시간과 척도에서 영구성 다이어그램 간의 $ L_p $-워샤르텐 거리를 사용하고, 시간에 대해 $ L_q $-평균을 적용하여 머신러닝 호환성을 확보하기 위해 크로커 스택에 대한 $ (p,q) $-거리 정의를 제안한다.
• 생물학적 집합 모델을 위한 잘 알려진 모델을 대상으로 계산 실험을 수행하여 크로커 스택과 플롯이 전통적인 순서 매개변수와 비교하여 매개변수 복원 성능을 평가한다.

실험 결과

연구 질문

• RQ1 시간에 따라 변화하는 데이터의 위상적 요약을 어떻게 안정적으로 만들고, 머신러닝 응용에 적합하게 만들 수 있는가?
• RQ2 생물학적 집합 모델의 매개변수 복원에서 크로커 스택은 전통적인 순서 매개변수보다 얼마나 높은 분류 능력을 가지는가?
• RQ3 고파르-하우스도르프 거리에서 크로커 스택의 연속성은 비브드나 크로커 플롯과 같은 다른 위상적 요약과 비교해 어떻게 다를까?
• RQ4 다양한 $ (p,q) $-거리가 벡터화된 크로커 스택에 어떤 영향을 미치며, 후속 머신러닝 작업에 어떻게 기여하는가?
• RQ5 시간에 따라 변화하는 위상적 기술자, 예를 들어 영구성 이미지나 랜드스케이프는 동적 데이터의 분류 작업에서 효과적으로 사용될 수 있는가?

주요 결과

• 크로커 스택이 고파르-하우스도르프 거리에서 연속임을 증명하였다: 두 시간에 따라 변화하는 거리 공간이 $ \delta/2 $ 이내이면, 그들의 크로커 스택은 $ f_{\mathbf{X}}(t,\varepsilon,\alpha+\delta) \leq f_{\mathbf{Y}}(t,\varepsilon,\alpha) $ 와 반대 방향도 마찬가지로 성립한다.
• 생물학적 집합 모델의 매개변수 복원 작업에서 크로커 스택이 전통적인 순서 매개변수를 능가함을 입증하여 더 높은 분류 능력을 보였다.
• 시간 단계마다 영구성 호몰로지 계산이 필요하기 때문에, 크로커 플롯과 스택을 계산하는 데에는 순서 매개변수 계산보다 약 두 개의 지수 정도 더 많은 계산 비용이 소요된다.
• 크로커 스택은 벡터화 가능하고 머신러닝에 적합한 반면, 다매개변수 랭크 함수나 비브드와 같은 일부 안정적인 요약은 간편한 벡터화가 어려운 편이다.
• 비브드가 여러 개의 영구성 다이어그램을 스택해야 하는 데 비해 크로커 스택은 더 직관적인 3차원 시각화를 제공하며, 크로커 플롯보다 더 안정적이다.
• $ (p,q) $-거리 프레임워크는 영구성 다이어그램 간의 $ L_p $-워샤르텐 거리와 시간에 대한 $ L_q $-평균을 조합함으로써 크로커 스택 간의 다양한 비교를 가능하게 한다.