Central Limit Theorems for Functionals of Persistence Diagrams in Germ-Grain Random Set Models with Applications to Goodness-of-Fit Testing

Technische Samenvatting: Centrale Limietstelling voor Functionalen van Persistentiediagrammen in Germ-Grain Random Set Modellen

Probleemstelling
Random set-modellen, in het bijzonder germ-grain-modellen, worden breed gebruikt om complexe geometrische structuren te beschrijven in velden variërend van ecologie tot medische histologie. Hoewel Topological Data Analysis (TDA), specifiek via persistentiediagrammen (PD's), effectief is gebleken als een verkennend instrument om verschillende random set-modellen te onderscheiden (bijv. het detecteren van clustering of repulsie), ontbrak een rigoureuze theoretische fundering voor statistische inferentie op basis van deze diagrammen. Dit werk adresseert dit gat door een Centrale Limietstelling (CLT) vast te stellen voor functionalen van persistentiediagrammen afgeleid van germ-grain random set-modellen.

Methodologie
De auteurs ontwikkelen een theoretisch kader dat de topologische samenvattingen van random sets koppelt aan probabilistische limietstellingen. De kernmethodologie omvat de volgende stappen:

1. Modeldefinitie: De studie richt zich op germ-grain random set-modellen in $\mathbb{R}^2$, waarbij een gemarkeerd puntproces $\tilde{P} = \{(X_i, M_i)\}$ een random set $X = \bigcup (X_i + M_i)$ genereert. De markeringen $M_i$ zijn willekeurige compacte verzamelingen (grains), zoals schijven of ellipsen.
2. Topologische Constructie: Persistentiediagrammen worden geconstrueerd vanuit de gesigneerde afstandsfunctie van de random set-realisatie. De auteurs introduceren het concept van M-begrensde kenmerken, waarbij de analyse wordt beperkt tot topologische kenmerken (verbonden componenten en lussen) waarvan de geboorte- en sterftijden worden bepaald door lokale interacties binnen een begrensde diameter $M$. Deze lokalisatie is cruciaal voor de daaropvolgende probabilistische bewijzen.
3. Stabilisatie en CLT-afleiding: Bouwend op recente vooruitgang in stabilisatiemethoden voor gemarkeerde puntprocessen (specifiek refererend aan [26]), definiëren de auteurs scorefuncties $\xi$ die een waarde toekennen aan elk punt in het proces op basis van zijn lokale omgeving. Zij tonen aan dat de integraal van een begrensde meetbare functie $f$ over het M-begrensde persistentiediagram kan worden uitgedrukt als een som van deze scorefuncties.
4. Convergentievoorwaarden: Het artikel bewijst dat indien het onderliggende gemarkeerde puntproces voldoet aan een exponentieel verval van correlaties en specifieke moment- en lokale afhankelijkheidsvoorwaarden (aangeduid als conditie $(\star)$) bezit, de gestandaardiseerde functionaal van het persistentiediagram convergeert in distributie naar een standaard normale willekeurige variabele naarmate de observatievenster groter wordt.

Belangrijkste Bijdragen

• Theoretische Rechtvaardiging: De primaire bijdrage is het bewijs van een Centrale Limietstelling voor M-begrensde persistentiediagram-functionalen voortvloeiend uit germ-grain-modellen. Dit biedt de noodzakelijke theoretische onderbouwing voor het gebruik van PD-gebaseerde statistieken in formele hypothesetesten.
• Uitbreiding van de Stabilisatietheorie: Het werk past stabilisatietechnieken van gemarkeerde puntprocessen aan de specifieke context van topologische samenvattingen aan, waarbij de complexiteit van het toekennen van "geboorte" en "sterfte" verantwoordelijkheid aan specifieke punten in het onderliggende proces wordt afgehandeld.
• Kader voor Goodness-of-Fit Testing: De auteurs stellen twee verschillende benaderingen voor goodness-of-fit testen voor op basis van de afgeleide CLT:
  • Rechthoekige Partitionering: Het verdelen van het persistentiediagram in rechthoekige regio's en het testen van de som van levensduur binnen deze regio's tegen een $\chi^2$-verdeling.
  • Functionele Samenvattingen: Het gebruik van de Accumulated Persistence Function (APF) en de supportfunctie van de lift zonoid, die topologische informatie aggregeren in scalaire of functionele samenvattingen die geschikt zijn voor de CLT.

Resultaten
De methodologie werd gevalideerd door middel van een uitgebreide simulatiestudie en een toepassing op real-world data:

• Simulatiestudie: De auteurs simuleerden diverse germ-grain-modellen, inclusief Boolean-modellen (Poisson-germs), Matérn cluster-processen, determinantale puntprocessen (DPP) en Quermass-interactie-processen (modellering van clustering en repulsie).
  • De resultaten van de simulatie bevestigden dat de voorgestelde teststatistieken over het algemeen de asymptotische normaliteit volgen die door de CLT wordt voorspeld.
  • In goodness-of-fit testen slaagden de statistieken erin om modellen met verschillende interactiepatronen (bijv. clustering versus repulsie) en verschillende onderliggende puntprocessen te onderscheiden.
  • De studie merkte beperkingen op bij het onderscheiden van modellen die dezelfde onderliggende puntprocessen delen maar slechts verschillen in de vorm van de grains (bijv. Boolean schijven versus Boolean ellipsen) wanneer dimensie 1-kenmerken worden gebruikt, aangezien de test zwaar leunt op de ruimtelijke ordening van de germs.
• Toepassing op de echte wereld: Het kader werd toegepast op histologische afbeeldingen van borstweefsel, waarbij mammacarcinoom (maligne) en mastopathie (benigne) weefsels werden vergeleken.
  • Door de methode van rechthoekige partitionering te gebruiken, bereikten de testen hoge afwijzingspercentages (tot 100% voor dimensie 0) bij het testen van het ene weefseltype tegen het andere, wat het vermogen aantoont om tussen de twee pathologische condities te onderscheiden op basis van hun topologische signaturen.
  • De auteurs merkten op dat functionele samenvattingen (APF en lift zonoid support functies) geen normaal gedrag vertoonden voor de echte data, waarschijnlijk door de beperkte grootte van het observatievenster of de onbekende distributie van de monsters, wat de toepasbaarheid van die specifieke samenvattingen in deze context beperkt.

Betekenis en Claims
Het artikel claimt dat het vaststellen van de CLT voor persistentiediagram-functionalen de kloof overbrugt tussen topologische data-analyse en rigoureuze statistische inferentie voor random sets. Door de asymptotische normaliteit te bewijzen, stellen de auteurs het gebruik van standaard statistische testen (zoals $\chi^2$-testen) mogelijk voor modelselectie en goodness-of-fit, waarmee men verder gaat dan louter verkennende TDA.

De auteurs stellen dat hun TDA-gebaseerde statistieken "waardevolle aanvullende inzichten" bieden voor het onderscheiden van germ-grain-modellen met verschillende interacties en dat deze nieuwe testen "minder tijdrovend" zijn dan eerdere globale envelope test-methoden. De succesvolle toepassing op histologie van borstweefsel suggereert dat deze topologische samenvattingen effectieve biomarkers kunnen dienen voor het differentiëren tussen maligne en benigne weefselstructuren, mits het observatievenster voldoende groot is om aan de asymptotische voorwaarden te voldoen. Het werk benadrukt dat hoewel de theoretische resultaten steunen op exponentieel verval van correlaties, simulaties suggereren dat de CLT ook kan standhouden wanneer aan deze voorwaarde niet strikt wordt voldaan, hoewel dit een gebied blijft voor verder onderzoek.