[论文解读] Complexes of Tournaments, Directionality Filtrations and Persistent Homology

Dejan Govc, Ran Levi+1 more|arXiv (Cornell University)|Feb 29, 2020

Topological and Geometric Data Analysis参考文献 18被引用 9

一句话总结

本文提出了tournaplexes——由锦标赛（完全有向图）构建的半单纯复形——并开发了方向性过滤方法，以实现对有向图的持久同调分析。通过将这些方法应用于蓝脑计划（Blue Brain Project）的大鼠新皮层微电路数据，作者表明，基于方向性的旗帜tournaplexes相较于有向旗帜复形，能提取出更精细的拓扑差异，尤其在聚类神经元放电序列动态方面，实现了更优的神经活动模式分离。

ABSTRACT

Complete digraphs are referred to in the combinatorics literature as tournaments. We consider a family of semi-simplicial complexes, that we refer to as "tournaplexes", whose simplices are tournaments. In particular, given a digraph $\\mathcal{G}$, we associate with it a "flag tournaplex" which is a tournaplex containing the directed flag complex of $\\mathcal{G}$, but also the geometric realisation of cliques that are not directed. We define several types of filtrations on tournaplexes, and exploiting persistent homology, we observe that flag tournaplexes provide finer means of distinguishing graph dynamics than the directed flag complex. We then demonstrate the power of these ideas by applying them to graph data arising from the Blue Brain Project's digital reconstruction of a rat's neocortex.

研究动机与目标

• 为解决有向旗复形在有向图拓扑分析中无法保留边方向信息且排除非有向团的局限性。
• 开发一类新的单纯复形——tournaplexes——以包含所有团（有向与无向团），同时保留方向结构。
• 通过局部、3-圈与全局方向性不变量，在tournaplexes上定义自然过滤，以实现持久同调分析。
• 证明基于tournaplexes的持久同调相较于有向旗复形，能提供更具信息量的拓扑描述符，适用于神经网络数据。
• 将该框架应用于蓝脑计划的真实神经数据，展示对放电序列动态聚类性能的提升。

提出的方法

• 将有向图的旗帜tournaplex构造为一个单纯复形，其单体为所有锦标赛（完全有向子图），包括有向与无向团。
• 定义三种方向性：局部（基于每个锦标赛内的边方向）、3-圈（基于循环与传递方向的对比）与全局（依赖于完整tournaplex结构）。
• 利用方向性不变量在tournaplexes上定义过滤，实现无需外部权重的持久同调计算。
• 应用持久同调计算贝蒂数与持久对，并通过时间分箱矩阵的列标准差提取特征向量。
• 对基于tournaplex持久同调与有向旗复形贝蒂数的特征矩阵进行k均值聚类，以比较聚类性能。
• 处理来自蓝脑计划的45个放电序列数据集（每个250ms），将其转换为具有参数$t_1$与$t_2$的时间可变传入-响应有向图。

实验结果

研究问题

• RQ1 tournaplexes是否能通过保留部分方向信息，为有向图提供比有向旗复形更具信息量的拓扑表示？
• RQ2 局部、3-圈与全局方向性不变量如何实现有向图中持久同调的自然过滤？
• RQ3 与标准方法相比，旗帜tournaplex上的持久同调在多大程度上提升了对神经活动模式的区分能力？
• RQ4 基于方向性的过滤是否能揭示真实神经网络数据（如蓝脑计划数据）中更精细的结构动态？
• RQ5 旗帜tournaplex构造是否能实现比有向旗复形更优的神经功能数据聚类效果？

主要发现

• 旗帜tournaplex构造同时包含有向与无向团，相较于仅包含有向团的有向旗复形，保留了更多信息量的结构特征。
• 基于局部与3-圈不变量的方向性过滤为持久同调提供了自然且内在的过滤方式，无需外部权重。
• 在蓝脑计划数据集中，基于tournaplex持久同调的特征向量进行k均值聚类，实现了近乎完美的三类活动模式分离。
• 相比之下，基于有向旗复形贝蒂数的聚类结果表现出显著较差的分离效果，表明其判别能力较弱。
• 通过列标准差从时间分箱的持久同调矩阵中选择信息性特征，能有效捕捉动态网络行为。
• 与标准拓扑数据分析方法相比，结合方向性过滤的旗帜tournaplex在神经网络动态中揭示了更详细且更分明的拓扑特征。