[论文解读] An Efficient Algorithm for 1-Dimensional (Persistent) Path Homology

Tamal K. Dey, Tianqi Li+1 more|arXiv (Cornell University)|Jan 1, 2020

Topological and Geometric Data Analysis被引用 3

一句话总结

本文提出了一种高效算法，用于在有向图中计算一维持久路径同调，通过利用分枝度和边界四边形的优化枚举来降低时间复杂度。主要贡献是一个 O(rm^{ω−1} + mα(n)) 的算法，其中 r = min{a(G)m, Σ(din(u)+dout(v))}，在平面图上达到 O(n^ω) 的时间复杂度——显著快于先前的 O(n^9) 方法。

ABSTRACT

This paper focuses on developing an efficient algorithm for analyzing a directed network (graph) from a topological viewpoint. A prevalent technique for such topological analysis involves computation of homology groups and their persistence. These concepts are well suited for spaces that are not directed. As a result, one needs a concept of homology that accommodates orientations in input space. Path-homology developed for directed graphs by Grigor'yan, Lin, Muranov and Yau has been effectively adapted for this purpose recently by Chowdhury and Mémoli. They also give an algorithm to compute this path-homology. Our main contribution in this paper is an algorithm that computes this path-homology and its persistence more efficiently for the $1$-dimensional ($H_1$) case. In developing such an algorithm, we discover various structures and their efficient computations that aid computing the $1$-dimensional path-homnology. We implement our algorithm and present some preliminary experimental results.

研究动机与目标

• 开发一种更高效的算法，用于计算有向图中的一维路径同调及其持久版本。
• 解决现有方法效率低下的问题，特别是先前工作中 O(n^9) 的时间复杂度。
• 识别并利用控制一维路径同调计算的结构特性——尤其是边界四边形。
• 实现对社交网络、脑网络和迁移网络等有向网络的实际拓扑分析。

提出的方法

• 利用分枝度 a(G) 的概念来限制边不相交森林的数量，从而实现图的高效分解。
• 将一维边界群表征为由双边形、特定三角形和边界四边形生成。
• 通过图论技术与矩阵乘法（ω < 2.373）优化边界四边形的枚举。
• 应用列约化和针对路径同调定制的链群基计算，避免标准单纯同调的假设。
• 将改进后的边界群计算集成到非持久同调与持久同调的处理流程中。
• 在持久同调计算中利用反阿克曼函数 α(n) 实现高效的并查集操作。

实验结果

研究问题

• RQ1 一维持久路径同调计算的时间复杂度能否在先前工作的 O(n^9) 边界之外实现显著降低？
• RQ2 有向图的哪些结构成分——特别是哪些环和高阶链——决定了 1D 路径同调群？
• RQ3 如何利用分枝度和图分解技术来最小化需要计算的边界四边形数量？
• RQ4 在现实世界中的有向网络中，边界四边形在路径同调计算成本中占据多大程度的主导作用？
• RQ5 通过利用边界生成元的结构，能否更高效地计算最小路径同调基？

主要发现

• 所提出的算法在 1D 持久路径同调上达到 O(rm^{ω−1} + mα(n)) 的时间复杂度，其中 r = min{a(G)m, Σ(din(u)+dout(v))}。
• 对于分枝度 a(G) = O(1) 的平面图，时间复杂度降低至 O(n^ω)，相比先前的 O(n^5) 边界实现重大提升。
• 在 C. elegans 神经网络中，1D 路径同调的秩为 17，远低于定向单纯形同调报告的 183，表明边界四边形具有显著影响。
• C. elegans 最小同调基中的全部 17 个环均为非边界四边形，表明高阶路径结构对捕捉网络拓扑至关重要。
• 在迁移与汇款网络中，持久路径同调揭示了方向性流动模式，例如涉及印度、阿联酋和沙特阿拉伯的环，其生成环在两个数据集中一致但方向相反。
• 实验表明，在文献 [16] 中的 61 个同调类中有 17 个因边界四边形的存在而变为平凡，证明了这些结构在路径同调中的关键作用。