[论文解读] Unveiling the higher-order organization of multivariate time series

Andrea Santoro, Federico Battiston+2 more|arXiv (Cornell University)|Mar 21, 2022

Complex Systems and Time Series Analysis被引用 4

一句话总结

本文提出了一种新颖的拓扑框架，利用高阶网络结构——特别是超图和同调骨架——来揭示多变量时间序列中的群体级依赖关系。通过分析共同波动模式和持久的拓扑特征，该方法在混沌系统中揭示了不同的动力学状态，并在脑科学、金融和流行病学数据中识别出更高阶组织的稳健特征，其在检测复杂群体交互方面优于成对方法。

ABSTRACT

Time series analysis has proven to be a powerful method to characterize several phenomena in biology, neuroscience and economics, and to understand some of their underlying dynamical features. Despite a plethora of methods have been proposed for the analysis of multivariate time series, most of them neglect the effect of non-pairwise interactions on the emerging dynamics. Here, we propose a novel framework to characterize the temporal evolution of higher-order dependencies within multivariate time series. Using network analysis and topology, we show that, unlike traditional tools based on pairwise statistics, our framework robustly differentiates various spatiotemporal regimes of coupled chaotic maps, including chaotic dynamical phases and various types of synchronization. Hence, using the higher-order co-fluctuation patterns in simulated dynamical processes as a guide, we highlight and quantify signatures of higher-order patterns in data from brain functional activity, financial markets, and epidemics. Overall, our approach sheds new light on the higher-order organization of multivariate time series, allowing a better characterization of dynamical group dependencies inherent to real-world data.

研究动机与目标

• 解决成对统计方法在捕捉多变量时间序列中群体交互方面的局限性。
• 开发一种框架，以识别和量化超越成对相关性的高阶依赖关系。
• 应用拓扑数据分析和网络理论，检测现实世界复杂系统中共同波动的持久模式。
• 在模拟混沌系统和神经科学、金融、流行病学的真实数据上验证该方法。
• 证明高阶结构能够揭示通过标准功能连接性无法检测到的动力学状态和功能组织。

提出的方法

• 通过滑动窗口方法，从时间序列数据中构建超图，识别变量的共同波动群体。
• 计算超图的超一致性（hyper-coherence）和超复杂性（hyper-complexity），以量化高阶交互的强度和持续性。
• 该框架使用持久同调（persistent homology）检测共同波动空间中的拓扑特征，如1维环（孔洞），代表持久的群体动力学。
• 识别违反三角形（不一致三元组）作为数据中非平凡高阶结构的指标。
• 采用阈值策略隔离极端帧——即最超一致或最不超复杂的帧——以进行详细分析。
• 整合局部高阶指标（如节点和边级别的超一致性和同调持久性）以在脑区层面对功能网络进行映射。

实验结果

研究问题

• RQ1 多变量时间序列中的高阶拓扑结构是否能够揭示成对统计方法无法检测到的动力学状态？
• RQ2 如1维孔洞等持久拓扑特征与已知的功能脑网络（如默认模式网络）之间的相关性如何？
• RQ3 高阶指标在多大程度上能提升对复杂系统状态（如疾病爆发或金融压力）的分类性能？
• RQ4 脑功能网络在不同超一致性与超复杂性阈值下是否表现出一致的高阶共同波动模式？
• RQ5 所提出的方法能否在真实世界的时间序列（来自神经科学、金融和流行病学）中区分个体与集体动力学？

主要发现

• 该方法在耦合混沌映射中成功区分了混沌动力学相位和同步类型，优于成对方法。
• 在脑数据中，最超一致的帧始终激活默认模式网络和感觉运动区域，且拓扑特征在不同阈值下保持持久。
• 同调骨架揭示了集中在默认模式网络和额顶网络中的持久1维孔洞，表明其在整合高阶动力学中的作用。
• 在美国内历史疾病数据中，使用高的一致性、边违规和高复杂性作为特征，RBF SVM分类器平均准确率达到0.85。
• 随机森林和RBF SVM均达到0.85的加权F1分数，证明了高阶指标的预测能力。
• 该框架在多样化系统中识别出稳健且可重复的高阶组织特征，验证了其在复杂系统分析中的实用性。