[論文レビュー] Topological Data Analysis for Object Data

Vic Patrangenaru, Peter Bubenik+2 more|arXiv (Cornell University)|Apr 26, 2018

Topological and Geometric Data Analysis参考文献 37被引用数 9

ひとこと要約

本稿では、パーシステントランドスケープを用いたトポロジカル・データ解析フレームワークを導入し、オブジェクトデータをベクトル化することで、低品質なサンプルであっても統計的解析を可能にする。驚くべきことに、『幾何的信号』—持続性が低いトポロジカル特徴—が解析に成功する要因であるのに対し、非常に持続性の高い特徴は生物学的葉画像において『トポロジカルノイズ』として作用することが判明した。

ABSTRACT

Statistical analysis on object data presents many challenges. Basic summaries such as means and variances are difficult to compute. We apply ideas from topology to study object data. We present a framework for using persistence landscapes to vectorize object data and perform statistical analysis. We apply to this pipeline to some biological images that were previously shown to be challenging to study using shape theory. Surprisingly, the most persistent features are shown to be "topological noise" and the statistical analysis depends on the less persistent features which we refer to as the "geometric signal". We also describe the first steps to a new approach to using topology for object data analysis, which applies topology to distributions on object spaces.

研究の動機と目的

• 従来の要約統計量（平均や分散）が不適切な場合に、オブジェクトデータのための頑健な統計的解析パイプラインを、トポロジカル・データ解析（TDA）を用いて開発すること。
• 幾何的ノイズやサンプリング品質の低さによりトポロジカル構造が不明瞭になる生物学的画像などのオブジェクトデータの解析に直面する課題に対処すること。
• TDAベースの解析において、『トポロジカルノイズ』（非常に持続性の高い特徴）と『幾何的信号』（持続性が低い特徴）を区別すること。
• 相対ホモロジーを用いてオブジェクト空間上の分布に代数的位相を適用する新しい手法、トポロジカル・オブジェクトデータ解析（TODA）を提案すること。
• 統計的パワーが顕著なトポロジカル特徴に由来するのではなく、持続性が低いトポロジカル不変量がエンコードする微細な幾何的構造に由来することを示すこと。

提案手法

• オブジェクトデータを、下位の距離空間から抽出された有限点群として表現する。
• 点間の対比較距離に基づいて、ヴィエトリス＝リプス複体を構築し、フィルター付き単体的複体を形成する。
• フィルター付き複体の持続的ホモロジーを計算し、スケールにわたるトポロジカル特徴を捉える。
• パーシステントダイアグラムから再構成可能で安定性を持つパーシステントランドスケープを用いて、持続的ホモロジーをベクトル形式に変換する。
• これらのベクトル化されたパーシステントランドスケープを、下流の統計的解析の入力として使用する。
• オブジェクト空間とその分布のサポートの相対ホモロジー群 $ H_k(\text{オブジェクト空間}, \text{分布のサポート}) $ に基づく、統計的推論を可能にする新しいフレームワーク、トポロジカル・オブジェクトデータ解析（TODA）を提案する。

実験結果

リサーチクエスチョン

• RQ1 従来の統計的要約が不適切な場合に、TDAが複雑なオブジェクトデータを効果的に要約し、統計的推論を可能にするか？
• RQ2 サンプリング品質と幾何的ノイズが、オブジェクトデータ解析におけるトポロジカル特徴の性能に与える影響は何か？
• RQ3 統計的解析において、非常に持続性の高い（トポロジカルな）特徴と、持続性が低い（幾何的）特徴の相対的寄与度は何か？
• RQ4 オブジェクト空間とその分布の相対ホモロジーに基づく新しいフレームワークが、TDAにおいて意味のある統計的知見をもたらすか？
• RQ5 パーシステントランドスケープが、統計モデリングにおけるオブジェクトデータのための頑健で情報が多く、ベクトル化可能な表現としてどの程度有効か？

主な発見

• 期待とは異なり、パーシステントホモロジーが、例えば葉脈構造における円の楔のホモトピー型のようなトポロジカル信号を検出できると予想されたが、実際の解析は持続性が低い特徴に主に駆動されていた。
• パーシステントダイアグラムにおける最も持続性の高い特徴は、特に低品質な点群において、サンプリングアーティファクトや外れ値のため『トポロジカルノイズ』として特定された。
• 解析の統計的パワーは『幾何的信号』—微細で持続性が低いトポロジカル特徴—に由来しており、これらは葉の背後にある幾何的構造をエンコードしていた。
• パーシステントランドスケープは、ノイズが多く、品質が低いサンプルであっても、効果的な統計的解析を可能にする安定でベクトル化可能なトポロジカルデータの表現を提供した。
• 提案されたTODAフレームワークは、特に $ H_k(\text{オブジェクト空間}, \text{サポート}) $ がユークリッド空間では $ H_{k-1}(\text{サポート}) $ に同型であることを活用し、オブジェクト空間上の分布の統計的解析を可能にする。
• このフレームワークは、例えば系統発生木空間のような複雑なオブジェクト空間にも適用可能であり、分布のサポートのホモロジーをパーシステントホモロジーを用いて推定できる。