[論文レビュー] Persistence Images: A Stable Vector Representation of Persistent Homology

Henry Adams, Sofya Chepushtanova+8 more|arXiv (Cornell University)|Jul 22, 2015

Topological and Geometric Data Analysis参考文献 46被引用数 465

ひとこと要約

本稿では、機械学習ツールの効率的応用を可能にする、安定的でベクトル化されたパーシステンス図の表現として、パーシステンス画像（PIs）を導入する。パーシステンス図を各点を中心とする2次元ガウスカーネルの重み付き和に変換し、その結果をグリッドに離散化することで、PIsはトポロジカル構造を保持しつつ、高速な計算と高い分類精度を実現し、合成データおよび動的システムのデータにおいて、先行手法を上回る性能を示す。

ABSTRACT

Many datasets can be viewed as a noisy sampling of an underlying space, and tools from topological data analysis can characterize this structure for the purpose of knowledge discovery. One such tool is persistent homology, which provides a multiscale description of the homological features within a dataset. A useful representation of this homological information is a persistence diagram (PD). Efforts have been made to map PDs into spaces with additional structure valuable to machine learning tasks. We convert a PD to a finite-dimensional vector representation which we call a persistence image (PI), and prove the stability of this transformation with respect to small perturbations in the inputs. The discriminatory power of PIs is compared against existing methods, showing significant performance gains. We explore the use of PIs with vector-based machine learning tools, such as linear sparse support vector machines, which identify features containing discriminating topological information. Finally, high accuracy inference of parameter values from the dynamic output of a discrete dynamical system (the linked twist map) and a partial differential equation (the anisotropic Kuramoto-Sivashinsky equation) provide a novel application of the discriminatory power of PIs.

研究の動機と目的

• 機械学習に適した、安定的で有限次元のパーシステンス図のベクトル表現を開発すること。
• サポートベクターマシンや特徴選択などの標準的な機械学習ツールとの互換性に欠けるパーシステンス図の限界を解消すること。
• 計算が効率的で、ノイズに対して安定し、解釈可能な表現を保証すること。
• 複雑な動的システムにおけるパrameter推定を、トポロジカル特徴を用いて高精度に行えるようにすること。
• 高次元またはノイズの多いデータセットを対象とした実世界のデータ解析タスクにおいて、PIsの有効性を示すこと。

提案手法

• パーシステンス図の各点を中心とする2次元ガウスカーネルの重み付き和を用いて、パーシステンス表面に写像する。
• グリッド上でパーシステンス表面を離散化し、ピクセル値の行列として表現することで、有限次元のベクトル表現を構築する。
• 高いパーシステンスやその他のトポロジカルな重要性を持つ特徴を強調するために、カスタマイズ可能な重み関数を用いる。
• 得られたベクトル化されたPIsに対して、スパース線形サポートベクターマシンなどの標準的な機械学習手法を適用する。
• 判別性のあるトポロジカル領域を特定できるように、特徴選択を可能にする。
• 合成データと実際の動的システム（リンクド・タービルトマップおよび異方的カーラン＝シヴァシニス方程式を含む）を用いて、手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 ノイズに強く、トポロジカル情報を保持しつつ、効率的な機械学習を可能にする、安定的でベクトル化されたパーシステンス図の表現を構築できるか？
• RQ2 ノイズレベルを変化させた分類タスクにおいて、パーシステンス画像はパーシステンスランドスケープや原始的なパーシステンス図と比べてどの程度優れた性能を示すか？
• RQ3 パラメータ推定の文脈で、パーシステンス画像はパターン形成動的システムにおける微細なトポロジカル差をどの程度捉えることができるか？
• RQ4 ガウス分散や画像解像度などのPI作成におけるハイパーパrameterの選択に、分類結果がどの程度頑健であるか？
• RQ5 パーシステンス画像は、元のパーシステンス図における解釈可能な領域に対応する特徴選択を効果的に行えるか？

主な発見

• 異方的カーラン＝シヴァシニス方程式のデータにおいて、時間t=10での分類精度は97.3%に達し、分散ベースの分類器（77.62%）や低解像度の表面近似（19.3%）を上回った。
• H₀とH₁のPIsを併用することで分類精度が97.3%に向上したが、H₀単体では94.7%、H₁単体では93.3%であった。
• ガウス分散を0.0001から0.1に変更しても、H₀の精度は1パーセンテージポイント未満の変化にとどまり、PIパrameterの変動に対して安定した性能を示した。
• スパース線形SVMを用いた特徴選択により、PIsは元のパーシステンス図における解釈可能な領域に対応するピクセルを特定できた。
• PIs間の距離計算は、パーシステンス図間の距離計算よりも著しく高速であり、パーシステンスランドスケープ手法と同等の速度を達成した。
• 合成データの実験において、Kメディオイドスクラスタリングを用いたが、ノイズレベルの変化にかかわらず、強い性能を維持し、高い耐障害性を示した。