[논문 리뷰] Fréchet Means for Distributions of Persistence diagrams

Katharine Turner, Yuriy Mileyko외 2명|arXiv (Cornell University)|2012. 06. 13.

Topological and Geometric Data Analysis참고 문헌 19인용 수 11

한 줄 요약

이 논문은 $L^2$-Wasserstein 공간에서 경사하강법을 사용하여 경험적 분포의 영구 다이어그램에 대한 프레셰 평균을 계산하는 알고리즘을 제안한다. 알고리즘이 국소 최솟값으로 수렴하고, 다이어그램이 이산 측도에서 i.i.d.로 추출될 경우 경험적 평균에 대한 약한 대수법칙이 성립함을 증명하여, 위상적 데이터 분석에서 통계적 추론을 가능하게 한다.

ABSTRACT

Given a distribution $ρ$ on persistence diagrams and observations $X_1,...X_n \stackrel{iid}{\sim} ρ$ we introduce an algorithm in this paper that estimates a Fréchet mean from the set of diagrams $X_1,...X_n$. If the underlying measure $ρ$ is a combination of Dirac masses $ρ= \frac{1}{m} \sum_{i=1}^m δ_{Z_i}$ then we prove the algorithm converges to a local minimum and a law of large numbers result for a Fréchet mean computed by the algorithm given observations drawn iid from $ρ$. We illustrate the convergence of an empirical mean computed by the algorithm to a population mean by simulations from Gaussian random fields.

연구 동기 및 목표

• 위상적 데이터 분석의 통계 분석에서 핵심적인 역할을 하는 영구 다이어그램의 프레셰 평균을 계산할 수 있는 계산적으로 실현 가능한 방법을 개발하기 위해.
• 그 이론적 존재성은 있으나, 그 계산을 위한 구체적 절차가 부족한 문제를 해결하기 위해.
• 디랙 델타 질량으로 구성된 이산 확률 측도에서 i.i.d.로 표본을 추출할 경우, 제안된 알고리즘의 수렴 성질을 확립하기 위해.
• 영구 다이어그램의 프레셰 평균과 분산을 특성화하여, 통계적 추론을 위한 이론적 기반을 마련하기 위해.

제안 방법

• 영구 다이어그램의 공간에 $L^2$-Wasserstein 거리계를 부여하고, 이 공간에서 경사하강법 기반의 접근을 사용한다.
• 영구 다이어그램의 아르케소프 공간에서 프레셰 함수의 반볼록성(세미볼록성)을 활용하여, 지지 벡터를 서브기울기로 정의한다.
• 점 간의 최적 운반 이항사상(optimal transport bijection)을 통해 다이어그램 간의 지오데식 경로를 구성함으로써, 경로의 $K$-립시츠 연속성을 확보한다.
• 두 다이어그램 사이의 모든 지오데식 경로의 집합이 전콤팩트임을 증명하여, 최소화 수열의 수렴 가능성을 보장한다.
• 지지 벡터를 사용하여 후보 평균를 반복적으로 개선함으로써 경험적 프레셰 함수의 국소 최솟값을 계산한다.
• 표본의 볼록 hull 내에 있는 모든 다이어그램들의 집합이 균일함을 확보하여, 콤팩트성 및 수렴성 증명에 기여한다.

실험 결과

연구 질문

• RQ1 영구 다이어그램의 프레셰 평균이 이론적으로 존재하는 바, 이를 계산할 수 있는 구체적 알고리즘을 개발할 수 있는가?
• RQ2 경험적 분포의 영구 다이어그램에 대해 제안된 알고리즘이 국소 최솟값으로 수렴하는가?
• RQ3 기저 측도가 디랙 델타 질량의 유한한 조합일 경우, 경험적 프레셰 평균의 渐近적 성질은 무엇인가?
• RQ4 $L^2$-Wasserstein 거리계가 영구 다이어그램에 적용될 때, 통계적 추론과 수렴 보장에 어떻게 기여하는가?
• RQ5 영구 다이어그램의 공간을 하향 경계가 있는 지오데식 아르케소프 공간으로 간주하여, 경사 기반 최적화를 가능하게 할 수 있는가?

주요 결과

• 임의의 유한 개의 영구 다이어그램에 대해, 알고리즘이 경험적 프레셰 함수의 국소 최솟값으로 수렴한다.
• 기저 측도가 디랙 델타 질량의 유한 조합일 경우, 알고리즘이 계산한 경험적 프레셰 평균은 약한 대수법칙를 만족한다.
• $L^2$-Wasserstein 거리계 하에서 영구 다이어그램의 공간은 지오데식 공간이며, 하향 경계가 있는 아르케소프 공간이다.
• 이 공간에서의 프레셰 함수는 세미볼록성(semiconcave)이며, 최적화를 위해 지지 벡터를 서브기울기로 정의할 수 있다.
• 두 다이어그램 사이의 모든 지오데식 경로의 집합은 전콤팩트이며, 이는 최소화 경로의 존재를 보장하고 알고리즘의 수렴을 뒷받침한다.
• 유한 개의 다이어그램의 볼록 hull의 닫힘은 콤팩트하며, 이는 수렴 증명에서 아르체라-아스coli 정리를 적용할 수 있도록 한다.