Multiscale Hodge Scattering Networks for Data Analysis

Título: Redes de Espalhamento Hodge Multiescala para Análise de Dados (Multiscale Hodge Scattering Networks - MHSNs)

1. O Problema

A análise de dados estruturados em complexos simpliciais (redes que incluem arestas, triângulos, pirâmides e suas generalizações de dimensão $\kappa$) é um desafio crescente em áreas como visão computacional, análise de dados topológicos e dinâmica molecular.

• Limitações das abordagens existentes: As redes de espalhamento (scattering networks) tradicionais, como as transformadas de onda de Morlet ou as redes de espalhamento geométrico baseadas em ondas de difusão (Diffusion Wavelets), foram projetadas principalmente para sinais em nós de grafos ($\kappa=0$) ou imagens. Elas enfrentam dificuldades para:
  1. Generalizar naturalmente para sinais definidos em estruturas de dimensão superior (ex: fluxos em arestas, tensões em triângulos).
  2. Definir operações de pooling (agregação) locais de forma eficiente em topologias não euclidianas sem depender de janelas fixas arbitrárias.
  3. Manter a invariância à permutação de nós (reordenação dos dados) enquanto extraem características robustas com poucos parâmetros treináveis.

2. Metodologia

Os autores propõem as Redes de Espalhamento Hodge Multiescala (MHSNs), uma arquitetura que combina a teoria de Hodge com dicionários de bases multiescala.

• Fundamentos Teóricos:

  • Laplaciano de Hodge: Utilizam o Laplaciano de Hodge ($\kappa$-Laplaciano) para analisar funções definidas em $\kappa$-simplices (subconjuntos de dimensão $\kappa$ de um complexo simplicial). Isso permite capturar a estrutura topológica e geométrica de ordens superiores.
  • Dicionários de Bases Multiescala: Em vez de usar wavelets tradicionais, os MHSNs utilizam dois dicionários de bases redundantes desenvolvidos anteriormente pelos autores:
    1. $\kappa$-HGLET (Hierarchical Graph Laplacian Eigen Transform): Uma generalização da Transformada de Coseno Discreto Hierárquica (HBDCT) para complexos simpliciais. Baseia-se em autovalores do Laplaciano e particionamento hierárquico. Custo computacional: $O(n^3)$.
    2. $\kappa$-GHWT (Generalized Haar–Walsh Transform): Uma generalização das wavelets de Haar-Walsh. É construída de baixo para cima no árvore de particionamento, gerando vetores constantes por partes. Custo computacional: $O(n \log n)$.

• Arquitetura da Rede (MHSN):

  • A rede possui uma estrutura em camadas análoga a uma Rede Neural Convolucional (CNN), mas com filtros fixos (não aprendidos).
  • Operações:
    1. Convolução: O sinal é convoluído com os vetores da base do dicionário ($\Phi_j$).
    2. Não-linearidade: Aplica-se o módulo (valor absoluto) ponto a ponto.
    3. Média (Pooling): Os coeficientes são agregados. O artigo introduz três modos de pooling:
       • Global: Média sobre todo o domínio (invariante à permutação total).
       • Local: Média sobre regiões disjuntas definidas pela árvore de particionamento hierárquico (preserva informações locais).
       • Sem Pooling: Mantém todos os coeficientes (alta dimensionalidade).
  • Ordens de Espalhamento: A rede calcula coeficientes de espalhamento de ordem $m$ (onde $m=0$ é o sinal original, $m=1$ é a convolução com módulo, $m=2$ é a convolução do módulo com outra base, etc.).

• Propriedades Teóricas:

  • Não-expansividade: A transformação é não-expansiva (contração), garantindo estabilidade a pequenas deformações do sinal.
  • Invariância: Os coeficientes são invariantes à permutação dos simplices (reordenação dos nós/arestas), essencial para dados gráficos onde a indexação é arbitrária.

3. Contribuições Principais

1. Generalização para Dimensões Superiores: Estendem as redes de espalhamento de sinais em nós ($\kappa=0$) para sinais em simplices de qualquer dimensão $\kappa \ge 1$ (arestas, triângulos, etc.).
2. Novos Dicionários de Filtros: Substituem as wavelets de Morlet/Difusão pelos dicionários $\kappa$-HGLET e $\kappa$-GHWT, que são mais esparsos e adaptados à estrutura do grafo/complexo.
3. Operação de Pooling Natural: A estrutura de árvore de particionamento hierárquico permite definir operações de pooling local de forma natural e consistente, algo difícil em outras abordagens de espalhamento geométrico.
4. Eficiência de Parâmetros: O sistema é determinístico (os filtros não são treinados). Apenas um modelo de aprendizado simples (como Regressão Logística ou SVM) é treinado nos coeficientes extraídos, resultando em um número de parâmetros treináveis drasticamente menor que o de Redes Neurais em Grafos (GNNs) modernas.

4. Resultados Experimentais

Os autores testaram os MHSNs em três tipos de problemas distintos:

• Classificação de Sinais (Categorização de Artigos Científicos):

  • Utilizando o dataset Science News, os sinais foram construídos sobre grafos de palavras ($\kappa=0$) e seus simplices superiores ($\kappa \ge 1$).
  • Resultado: As redes com pooling local e global superaram métodos tradicionais. Curiosamente, para sinais altamente localizados, o uso de simplices de ordem superior ($\kappa > 0$) melhorou a acurácia, demonstrando que a estrutura de alta dimensão captura informações contextuais que nós isolados perdem.

• Classificação de Domínios (Classificação de Grafos):

  • Testado em 7 datasets padrão (COLLAB, IMDB, MUTAG, PROTEINS, etc.) para classificar grafos inteiros.
  • Comparação: Os MHSNs alcançaram desempenho competitivo com o estado da arte (SotA) em GNNs (como GCN, GAT, UGT), mas com uma fração minúscula de parâmetros.
  • Exemplo: No dataset MUTAG, o MHSN atingiu ~85.78% de acurácia com apenas 256 parâmetros, enquanto o UGT (SotA) atingiu ~80.23% com 867.000 parâmetros.

• Predição de Dinâmica Molecular (Regressão):

  • Previsão de energia potencial em moléculas (dataset rMD17: Aspirina e Paracetamol).
  • Resultado: Os MHSNs competiram com redes especializadas como SchNet e PaiNN, alcançando erros (MAE/RMSE) comparáveis.
  • Insight: A análise baseada em arestas e triângulos ($\kappa=1, 2$) superou a análise baseada apenas em nós, sugerindo que a geometria de alta dimensão é crucial para a representação de estruturas moleculares, mesmo quando a topologia de ligação é simples.

5. Significado e Conclusão

O trabalho demonstra que as MHSNs oferecem uma alternativa robusta, interpretável e extremamente eficiente em termos de dados e parâmetros para a análise de dados em grafos e complexos simpliciais.

• Eficiência: A capacidade de atingir desempenho de ponta com milhares de vezes menos parâmetros treináveis torna o método viável para dispositivos com recursos limitados (ex: laptops de consumo) e reduz o risco de overfitting em conjuntos de dados pequenos.
• Interpretabilidade: Como os filtros são fixos e baseados em princípios matemáticos (Hodge, wavelets), as características extraídas são mais interpretáveis do que os filtros aprendidos em CNNs/GNNs profundas.
• Versatilidade: A abordagem unifica a análise de sinais, classificação de grafos e regressão física sob um único framework teórico, validando o uso de estruturas topológicas de ordem superior para capturar informações que métodos baseados apenas em nós ignoram.

Em suma, os autores propõem uma ponte sólida entre a análise harmônica clássica, a topologia algébrica e o aprendizado de máquina, oferecendo ferramentas poderosas para a próxima geração de análise de dados estruturados.