Statistical Analysis of Network Collections Using Persistent Homology and Functional Data Analysis
Dieses Paper führt die funktionale topologische Datenanalyse (funTDA) ein, ein neuartiges Framework, das funktionale und topologische Datenanalyse integriert, um statistische Inferenz, einschließlich Mittelwert-/Varianzberechnung, Hauptkomponentenanalyse und Hypothesentests, auf Sammlungen von Netzwerken zu ermöglichen, indem es die Herausforderungen nicht-euklidischer Strukturen und variierender Knotenkorrespondenzen überwindet.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber anstatt nach Fingerabdrücken oder Fußabdrücken zu suchen, suchen Sie nach den unsichtbaren Verbindungen zwischen den Dingen. In der Welt der Wissenschaft werden diese Verbindungen als Netzwerke bezeichnet. Denken Sie an ein Netzwerk wie an ein riesiges soziales Web von Freunden, eine Karte davon, wie Gene in Ihrem Körper miteinander kommunizieren, oder sogar an die Art und Weise, wie Wörter in einer Geschichte miteinander verknüpft sind. Normalerweise untersuchen Wissenschaftler nur eines dieser Webs zur Zeit. Aber was wäre, wenn Sie hunderte verschiedene Webs vergleichen wollten, um zu sehen, wie sie sich verändern? Vielleicht möchten Sie wissen, ob das „Freundschafts-Web“ einer glücklichen Person anders aussieht als das einer traurigen Person, oder ob das „Gen-Web“ von jemandem mit der Grippe anders aussieht als das von jemandem, der gesund ist.
Das Problem ist, dass diese Webs unordentlich sind. Sie liegen nicht ordentlich auf einem Lineal wie ein Holzstab. Ein Web hat vielleicht 100 Punkte (Knoten), während ein anderes 1.000 hat. Einige Punkte sind durch starke, dicke Linien verbunden, während andere durch schwache, dünne Linien verbunden sind. Einige Linien gehen in eine Richtung, und andere in beide Richtungen. Weil sie so unterschiedlich sind, können Sie sie nicht einfach mit einem Standardlineal oder einem einfachen Taschenrechner messen. Es ist, als würde man versuchen, die Form einer Wolke mit der Form eines Berges zu vergleichen, indem man nur ein Maßband benutzt; die Werkzeuge passen nicht dazu. Dies ist das Rätsel, das Statistiker zu lösen versucht haben: Wie misst man die „Form“ eines unordentlichen, sich verändernden Webs, wenn jedes Web einzigartig ist?
Dieses Papier stellt ein cleveres neues Toolkit namens funTDA (was für Functional Topological Data Analysis steht) vor, um dieses Rätsel zu lösen. Die Autorinnen Catherine Higgins, Hulin Wu und Michelle Carey schlagen einen Weg vor, diese unordentlichen Webs in glatte, wackelige Linien zu verwandeln, die Mathematiker handhaben können. Sie tun dies, indem sie auf die „Löcher“ und „Schleifen“ innerhalb der Webs schauen. Stellen Sie sich vor, man bläst einen Ballon auf; wenn man ein Loch hineinsticht, verändert sich die Form. In einem Netzwerk ist eine „Schleife“ ein Kreis von Verbindungen, bei dem man an einem Punkt starten, um die Verbindung herumfahren und zum Ausgangspunkt zurückkehren kann, ohne die Schritte zu wiederholen. Diese neue Methode verfolgt, wie diese Schleifen erscheinen und verschwinden, während man langsam die „Lautstärke“ der Verbindungen aufdreht.
Anstatt zu versuchen, jeden einzelnen Punkt in einem Web mit einem Punkt in einem anderen zu vergleichen (was so ist, als würde man versuchen, jedes einzelne Sandkorn auf zwei verschiedenen Stränden abzugleichen), ignoriert diese Methode die spezifischen Namen der Punkte und konzentriert sich auf die allgemeine Form. Sie verwandelt das Web in ein „Persistenzdiagramm“, das wie eine Karte ist, die zeigt, wann Schleifen geboren werden und wann sie sterben. Dann transformiert sie dieses Diagramm in eine „Persistenzlandschaft“, die im Wesentlichen eine Serie von Hügeln und Tälern ist. Sobald das unordentliche Web in diese glatten Hügel verwandelt wurde, können die Autorinnen Standard-Statistikwerkzeuge verwenden – wie das Finden des Durchschnittshügels oder das Beobachten, wie sehr die Hügel wackeln –, um verschiedene Gruppen von Webs zu vergleichen.
Das Papier testet diese Idee zuerst mit Computersimulationen. Sie erstellsten tausende künstliche Netzwerke mit unterschiedlichen Ebenen der Vernetzung (einige spärlich, einige dicht) und fragten, ob ihre neue Methode sie unterscheiden konnte. Die Ergebnisse waren vielversprechend: Die Methode konnte die verschiedenen Arten von Netzwerken erfolgreich trennen, indem sie ähnliche zusammenführte und unterschiedliche voneinander fernhielt. Sie verglichen ihre Methode auch mit älteren Techniken, die versuchen, die Webs in eine Standardform zu zwingen. Die älteren Methoden hatten Schwierigkeiten, wenn die Webs eine unterschiedliche Anzahl von Punkten hatten oder gerichtet waren (Einbahnstraßen), aber die neue funTDA-Methode bewältigte diese Unterschiede mühelos.
Schließlich wandten die Autorinnen ihre Methode auf reale Daten an. Sie betrachteten Wortnetzwerke aus Romanen von Jane Austen und Charles Dickens, um zu sehen, ob die Art und Weise, wie Wörter in ihren Geschichten verbunden waren, unterschiedliche topologische „Formen“ hatte. Sie untersuchten auch Gen-Netzwerke von Menschen, die dem H3N2-Grirevirus ausgesetzt waren, und verglichen diejenigen, die krank wurden (symptomatisch), mit denen, die nicht krank wurden (asymptomatisch). In beiden Fällen fand die Methode statistisch signifikante Unterschiede. Für die Grippe-Studie deutete sie darauf hin, dass die Gen-Netzwerke kranker Menschen topologisch anders aussahen als die gesunder Menschen, obwohl die Gene selbst dieselben waren. Das Papier behauptet nicht, jedes Problem in der Netzwerkwissenschaft gelöst zu haben, aber es legt nahe, dass diese neue Art, die „Form“ von Verbindungen zu betrachten, ein mächtiges und flexibles Werkzeug ist, um komplexe Systeme zu verstehen, von der Literatur bis zur Biologie.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.