[论文解读] Fréchet Means for Distributions of Persistence diagrams

Katharine Turner, Yuriy Mileyko+2 more|arXiv (Cornell University)|Jun 13, 2012

Topological and Geometric Data Analysis参考文献 19被引用 11

一句话总结

本文提出了一种基于 $L^2$-Wasserstein 空间上的梯度下降方法，用于计算持久图谱经验分布的 Fréchet 均值的算法。证明了其收敛至局部最小值，并在图谱为独立同分布抽样自离散测度时，建立了经验均值的弱大数定律，从而为拓扑数据分析中的统计推断提供了支持。

ABSTRACT

Given a distribution $ρ$ on persistence diagrams and observations $X_1,...X_n \stackrel{iid}{\sim} ρ$ we introduce an algorithm in this paper that estimates a Fréchet mean from the set of diagrams $X_1,...X_n$. If the underlying measure $ρ$ is a combination of Dirac masses $ρ= \frac{1}{m} \sum_{i=1}^m δ_{Z_i}$ then we prove the algorithm converges to a local minimum and a law of large numbers result for a Fréchet mean computed by the algorithm given observations drawn iid from $ρ$. We illustrate the convergence of an empirical mean computed by the algorithm to a population mean by simulations from Gaussian random fields.

研究动机与目标

• 开发一种在计算上可行的方法，用于估计持久图谱的 Fréchet 均值，后者在拓扑数据分析的统计分析中具有核心地位。
• 解决尽管 Fréchet 均值在理论上存在，但缺乏构造性计算方法的问题。
• 在由 Dirac 质点构成的离散概率测度下，建立所提算法在独立同分布抽样下的收敛性。
• 通过刻画持久图谱的 Fréchet 均值和方差，为基于持久图谱的统计推断提供理论基础。

提出的方法

• 该算法在配备 $L^2$-Wasserstein 距离的持久图谱空间上采用基于梯度下降的方法。
• 利用持久图谱的 Alexandrov 空间中 Fréchet 函数的次凸性，定义支撑向量作为次梯度。
• 该方法通过点之间的最优传输双射构造图谱间的测地线路径，确保路径的 $K$-Lipschitz 连续性。
• 证明了任意两个图谱之间所有此类路径的集合是预紧的，从而支持最小化序列的收敛性。
• 通过迭代使用支撑向量改进候选均值，计算经验 Fréchet 函数的局部最小值。
• 建立样本凸包中图谱集合的一致性，支持紧致性与收敛性论证。

实验结果

研究问题

• RQ1 能否在理论存在性基础上，开发一种构造性算法来计算持久图谱的 Fréchet 均值？
• RQ2 当应用于持久图谱的经验分布时，所提算法是否收敛至局部最小值？
• RQ3 当底层分布为 Dirac 质点的有限混合时，经验 Fréchet 均值的渐近性质是什么？
• RQ4 持久图谱上的 $L^2$-Wasserstein 距离如何支持统计推断与收敛性保证？
• RQ5 持久图谱空间能否被视为具有下界曲率的测地线 Alexandrov 空间，以支持基于梯度的优化？

主要发现

• 对于任意有限个持久图谱集合，该算法均收敛至经验 Fréchet 函数的局部最小值。
• 当底层测度为 Dirac 质点的有限组合时，该算法计算的经验 Fréchet 均值满足弱大数定律。
• 在 $L^2$-Wasserstein 距离下，持久图谱空间是一个测地线空间，且为具有下界曲率的 Alexandrov 空间。
• 该空间上的 Fréchet 函数是次凸的，允许将支撑向量定义为优化的次梯度。
• 任意两个图谱之间所有测地线路径的集合是预紧的，这确保了最小化路径的存在性，并支持算法的收敛性。
• 有限个图谱凸包的闭包是紧致的，从而在收敛性证明中可应用 Arzelà–Ascoli 定理。