[论文解读] Toroidal Coordinates: Decorrelating Circular Coordinates With Lattice Reduction

Luis Scoccola, Hitesh Gakhar+5 more|arXiv (Cornell University)|Dec 14, 2022

Advanced Numerical Analysis Techniques被引用 1

一句话总结

该论文提出了一种系统性方法，通过使用格约化最小化环面值表示的Dirichlet能量，在拓扑数据分析中对源自线性无关上同调类的圆值映射进行去相关处理。该方法基于黎曼几何与计算数论，生成低能量、几何上不相关的坐标，相较于标准圆坐标，在合成数据与真实世界数据集（尤其是神经科学与动力系统应用）中表现更优。

ABSTRACT

The circular coordinates algorithm of de Silva, Morozov, and Vejdemo-Johansson takes as input a dataset together with a cohomology class representing a $1$-dimensional hole in the data; the output is a map from the data into the circle that captures this hole, and that is of minimum energy in a suitable sense. However, when applied to several cohomology classes, the output circle-valued maps can be "geometrically correlated" even if the chosen cohomology classes are linearly independent. It is shown in the original work that less correlated maps can be obtained with suitable integer linear combinations of the cohomology classes, with the linear combinations being chosen by inspection. In this paper, we identify a formal notion of geometric correlation between circle-valued maps which, in the Riemannian manifold case, corresponds to the Dirichlet form, a bilinear form derived from the Dirichlet energy. We describe a systematic procedure for constructing low energy torus-valued maps on data, starting from a set of linearly independent cohomology classes. We showcase our procedure with computational examples. Our main algorithm is based on the Lenstra--Lenstra--Lovász algorithm from computational number theory.

研究动机与目标

• 通过Dirichlet型式与能量最小化形式化定义圆值映射之间的几何相关性。
• 解决现有圆坐标算法在使用多个上同调类时缺乏系统性去相关处理的问题。
• 开发一种可扩展的算法，用于从独立上同调类构建低能量环面值映射。
• 证明所提方法在保留不同拓扑特征方面优于标准圆坐标。

提出的方法

• 该方法使用Dirichlet型式 D(f, g) 作为衡量光滑映射 f, g : M → S¹ 之间几何相关性的指标。
• 通过定理15建立Dirichlet能量与上闭链上内积之间的对应关系，实现在上同调层面的能量最小化。
• 环面坐标算法（算法2）通过在上同调格上求解格约化问题，构建低能量环面值映射。
• 稀疏环面坐标算法（算法8）通过利用数据与单纯复形结构中的稀疏性，提升可扩展性。
• 该算法利用计算数论中的LLL算法，寻找能最小化总Dirichlet能量的上同调类的整数线性组合。
• 通过概念验证GitHub仓库实现并验证了该方法，测试了四个数据集，包括滑动窗口嵌入与合成神经科学数据。

实验结果

研究问题

• RQ1 在拓扑数据分析中，如何形式化并量化圆值映射之间的几何相关性？
• RQ2 能否开发一种系统性程序，对源自线性无关上同调类的多个圆值映射进行去相关处理？
• RQ3 与简单组合相比，格约化在提升环面值表示的能量效率与几何独立性方面有多大改善？
• RQ4 在复杂数据集中，该方法相较于标准圆坐标在捕捉不同拓扑特征方面表现如何？
• RQ5 该方法能否在不牺牲精度的前提下，有效扩展至大规模或高维数据集？

主要发现

• 在波数据集上，稀疏圆坐标算法的Dirichlet相关性矩阵为 DSCC = [[1.1, 6.1], [6.1, 112.3]]，表明存在高度几何相关性。
• 应用环面坐标算法后，Dirichlet相关性矩阵降至 DSTC = [[1.1, 1], [1, 76.6]]，显示出显著的去相关效果。
• 在合成神经科学示例中，稀疏圆坐标算法在多次运行中未能恢复全部三个头部朝向，而环面坐标算法始终成功。
• 基变换矩阵 M = [[1, 0], [-5, 1]] 将原始上同调类转换为能量最小化的去相关基。
• 在神经科学示例中，环面坐标算法的Dirichlet相关性矩阵为 DSTC = [[51.6, -0.9, 0.8], [-0.9, 50.2, 0.5], [0.8, 0.5, 51.1]]，与原始 DSCC 矩阵相比表现出强烈去相关性。
• 成对L2距离的可视化结果表明，图9（环面坐标）中的水平坐标仅参数化旋转，而圆坐标未能隔离该特征。