[论文解读] A parametrized Poincare-Hopf Theorem and Clique Cardinalities of graphs

Oliver Knill|arXiv (Cornell University)|Jun 15, 2019

Topological and Geometric Data Analysis参考文献 14被引用 5

一句话总结

本文提出了一种参数化的Poincaré-Hopf定理，通过由局部单射函数g定义的单位球面的子图，递归地表达图的f-函数。关键贡献在于，通过将问题简化为更小的子图，实现了f-向量和团基数的次指数时间算法，该方法在Gauss-Bonnet公式和通过多项式指标期望计算Wu特征值方面具有应用价值。

ABSTRACT

Given a locally injective real function g on the vertex set V of a finite simple graph G=(V,E), we prove the Poincare-Hopf formula f_G(t) = 1+t sum_{x in V} f_{S_g(x)}(t), where S_g(x) = { y in S(x), g(y) less than g(x) } and f_G(t)=1+f_0 t + ... + f_{d} t^{d+1} is the f-function encoding the f-vector of a graph G, where f_k counts the number of k-dimensional cliques, complete sub-graphs, in G. The corresponding computation of f reduces the problem recursively to n tasks of graphs of half the size. For t=-1, the parametric Poincare-Hopf formula reduces to the classical Poincare-Hopf result X(G)=sum_x i_g(x), with integer indices i_g(x)=1-X(S_g(x)) and Euler characteristic X. In the new Poincare-Hopf formula, the indices are integer polynomials and the curvatures K_x(t) expressed as index expectations K_x(t) = E[i_x(t)] are polynomials with rational coefficients. Integrating the Poincare-Hopf formula over probability spaces of functions g gives Gauss-Bonnet formulas like f_G(t) = 1+sum_{x} F_{S(x)}(t), where F_G is the anti-derivative of f_G. A similar computation is done for the generating function f_{G,H}(t,s) = sum_{k,l} f_{k,l}(G,H) s^k t^l of the f-intersection matrix f_{k,l}(G,H) counting the number of intersections of k-simplices in G with l-simplices in H. Also here, the computation is reduced to 4 n^2 computations for graphs of half the size: f_{G,H}(t,s) = sum_{v,w} f_{B_g(v),B_g(w)}(t,s) - f_{B_g(v),S_g(w)}(t,s) - f_{S_g(v),B_g(w)}(t,s) + f_{S_g(v),S_g(w)}(t,s), where B_g(v)= S_g(v)+{v} is the unit ball of v.

研究动机与目标

• 开发一种用于计算有限简单图f-向量的递归方法，该f-向量编码了各维数团的数量。
• 通过引入一种参数化的Poincaré-Hopf公式，将计算问题简化为更小的子图，从而克服团枚举问题的NP难复杂度。
• 将经典的Poincaré-Hopf和Gauss-Bonnet定理推广到有理数域上的多项式取值指标和曲率。
• 通过递归指标分解，实现多变量f-生成函数和Wu特征值的高效计算。

提出的方法

• 提出参数化的Poincaré-Hopf公式：f_G(t) = 1 + t∑_x f_{S_g(x)}(t)，其中S_g(x)是单位球面S(x)的子图，满足g(y) < g(x)。
• 使用f-函数f_G(t) = 1 + f_0 t + ⋯ + f_d t^{d+1}来编码图G的f-向量。
• 定义指标多项式i_x(t) = f_{S_g(x)}(t)，用于从更小的图递归计算f_G(t)。
• 通过对随机函数g进行积分，推导出类似Gauss-Bonnet的公式，如f_G(t) = 1 + ∑_x F_{S(x)}(t)，其中F是f的原函数。
• 将框架扩展至多变量f-函数f_{G,H}(t,s)，用于计数图G中k-单纯形与图H中l-单纯形的交集。
• 推导出f_{G,H}(t,s)的递归公式，涉及四个子图：B_g(v), B_g(w), S_g(v), S_g(w)，从而实现次指数时间计算。

实验结果

研究问题

• RQ1 能否通过利用基于局部函数的分解方法，比指数时间更高效地计算图的f-向量？
• RQ2 如何将Poincaré-Hopf定理从整数指标推广到有理数域上的多项式取值指标？
• RQ3 当通过单位球面的递归分解表达时，生成函数f_G(t)的结构是什么？
• RQ4 多变量交集函数f_{G,H}(t,s)能否以降低复杂度的方式递归计算？
• RQ5 参数化的Poincaré-Hopf公式与经典Gauss-Bonnet定理之间存在何种关系？

主要发现

• 参数化的Poincaré-Hopf公式f_G(t) = 1 + t∑_x f_{S_g(x)}(t) 允许通过n个子图（期望大小为n/2）递归计算f-函数，从而在典型情况下实现次指数时间复杂度。
• 当t = -1时，该公式退化为经典Poincaré-Hopf定理：χ(G) = ∑_x i_g(x)，其中i_g(x) = 1 - χ(S_g(x))。
• 曲率多项式K_x(t) = E[i_x(t)]是有理多项式，且通过在随机函数上积分，Gauss-Bonnet公式f_G(t) = 1 + ∑_x F_{S(x)}(t) 成立。
• 多变量f-函数f_{G,H}(t,s) 满足涉及四项的递归分解：f_{B_g(v),B_g(w)} - f_{B_g(v),S_g(w)} - f_{S_g(v),B_g(w)} + f_{S_g(v),S_g(w)}。
• Wu特征值ω(G,H)作为f_{G,H}(-1,-1)被恢复，本文提供了通过指标分解递归计算它的代码。
• 实验测试表明，对于Wu特征值的计算，该递归方法比直接计算更慢，但该框架支持理论分析和递归结构探索。