Resumo Técnico: NMF com Regularização Topológica (Top-NMF)

Definição do Problema

A Fatoração de Matrizes Não Negativas (NMF) é uma técnica padrão para decompor dados não negativos aditivos em representações baseadas em partes interpretáveis. No entanto, a NMF padrão frequentemente produz vetores de base que, embora alcancem baixo erro de reconstrução, carecem de coerência estrutural. Uma base esparsa pode ser fragmentada em componentes desconectados, e uma base suave pode borrar regiões semanticamente distintas. Métos de regularização existentes (ex: esparsidade, suavidade ou coeficientes regularizados por grafos) falham em controlar diretamente a estrutura topológica global dos suportes da base. Além disso, tentativas ingênuas de impor topologia via suportes limiares são dificultadas pela descontinuidade e dependência de limiar, tornando-as inadequadas para otimização contínua.

O problema central abordado é como aprender funções de base NMF que não sejam apenas reconstrutivas, mas que também possuam propriedades topológicas específicas e apropriadas ao domínio (ex: conectividade em imagens, periodicidade em séries temporais ou estruturas do tipo clique em grafos) de uma forma compatível com a otimização baseada em gradiente.

Metodologia

Perspectiva Funcional e Regularização Topológica

Os autores propõem o Top-NMF, um framework que trata os vetores de base não meramente como linhas de uma matriz, mas como funções não negativas $v: \Omega \to \mathbb{R}_{\geq 0}$ definidas em um domínio estruturado $\Omega$ (ex: grades de imagem, grafos ou séries temporais). A função objetivo aumenta o erro de reconstrução padrão com uma penalidade topológica:
$$\min_{W, V \geq 0} L_{\text{recon}}(X, WV) + \lambda_{\text{top}} L_{\text{top}}(V)$$
onde $L_{\text{top}}(V) = \sum Q(v_j)$ é uma soma de pontuações topológicas escalares derivadas das funções de base.

Homologia Persistente como um Quantificador Contínuo

Para superar a instabilidade da topologia dependente de limiares, o método emprega homologia persistente (PH). Em vez de analisar um único suporte limiarizado, o Top-NMF constrói uma filtração de supernível (ou uma filtração derivada para séries temporais) a partir de cada função de base. A PH rastreia o nascimento e a morte de características topológicas (componentes conectados, buracos) através de todos os limiares, fornecendo um resumo estável e livre de limiares.

A pontuação topológica $Q(v)$ é um funcional escalar derivado do diagrama de persistência. O artigo utiliza a persistência quadrada total (e suas variantes ponderadas) como um proxy diferenciável para propriedades topológicas. Minimizar esta pontuação incentiva priors estruturais específicos:

• Conectividade (Imagens/Sinais 1D): Penalizar barras de persistência 0-dimensional finitas (que representam componentes conectados que se fundem em limiares mais baixos) incentiva um suporte único e conectado.
• Periodicidade (Séries Temporais): Usando embeddings de janela deslizante e filtrações de Vietoris–Rips, o método visa a persistência 1-dimensional (buracos) para identificar estruturas circulares. Uma penalidade baseada em alvo $(Per(v) - a)^2$ permite que os usuários especifiquem níveis de periodicidade desejados.
• Estruturas do Tipo Clique (Grafos): Para grafos com pesos nas arestas, uma nova funcional promotora de cliques ($CP_\alpha$) é introduzida. Esta pontuação é derivada da persistência da filtração do grafo e pode ser expressa em forma fechada via uma árvore geradora de peso máximo, recompensando o atraso na fusão de grupos de vértices (alta persistência 0) e a formação precoce de ciclos (alta persistência 1), efetivamente promovendo subgrafos densos do tipo clique.

Otimização

O problema de otimização resultante é não suave e não convexo. Os autores o formulam dentro do framework da geometria tame (estruturas o-minimais). Eles empregam um método de subgradiente projetado (especificamente usando AdamW em experimentos) onde o subgradiente do termo topológico é computado usando a regra da cadeia através do diagrama de persistência ou da formulação explícita de árvore geradora. Garantias teóricas (Proposição 6 e Teorema 7) estabelecem que os pontos de acumulação das iterações são pontos estacionários de Clarke sob suposições padrão.

Principais Contribuições

1. Formulação Funcional: O artigo formula a NMF de um ponto de vista funcional em domínios estruturados, fornecendo uma linguagem unificada para definir priors topológicos para imagens, séries temporais e grafos.
2. Quantificadores Topológicos Diferenciáveis: Demonstra como a homologia persistente transforma critérios de interpretabilidade discretos em regularizadores otimizáveis, evitando a dependência de limiar da análise de suporte tradicional.
3. Instanciações Específicas de Domínio:
   • Desenvolvimento de penalidades de conectividade e ausência de buracos para bases de imagem e sinal.
   • Introdução de uma pontuação de periodicidade para bases de séries temporais usando embeddings de janela deslizante.
   • Proposta de um regularizador promotor de cliques ($CP_\alpha$) para sinais de grafos, apresentado como um descritor baseado em homologia persistente inovador para grafos com pesos nas arestas, com utilidade independente além da NMF.
4. Validação Empírica: O framework é avaliado em conjuntos de dados sintéticos e do mundo real, mostrando que o Top-NMF recupera bases estruturalmente coerentes (ex: picos unimodais, barras conectadas, subgrafos de clique e componentes rítmicos de ECG) que a NMF padrão falha em isolar, muitas vezes com erro de reconstrução competitivo.

Resultados Experimentais

Os autores avaliam o Top-NMF em quatro domínios:

• Sinais 1D: Na recuperação de picos Gaussianos unimodais de misturas, o Top-NMF alcançou uma pontuação de recuperação de átomo significativamente maior (0.997 vs. 0.772 para NMF padrão) ao penalizar máximos locais secundários, apesar de um ligeiro aumento no RMSE de reconstrução.
• Imagens: Em átomos de barras sintéticas e glifos Hangul, o Top-NMF recuperou com sucesso componentes conectados únicos (número de Betti $\beta_0 = 1.0$), enquanto a NMF padrão produziu bases fragmentadas ($\beta_0 > 1.6$).
• Grafos: Em misturas de cliques sintéticas e dados reais de contato de ensino médio do SocioPatterns, o Top-NMF separou com sucesso componentes do tipo clique. No cenário do mundo real, as bases do Top-NMF mostraram maior massa de aresta intra-classe (0.995 vs. 0.966) em comparação com a NMF padrão e baselines regularizados por rede.
• Séries Temporais: Na separação de sinais periódicos de tendências, o Top-NMF isolou com sucesso componentes periódicos distintos (onda cosseno, onda triangular) e uma tendência, enquanto a NMF padrão misturou esses recursos. Aplicado aos dados de ECG do MIT-BIH, o método produziu bases rítmicas e componentes residuais; utilizando apenas as bases periódicas para reconstrução, obteve-se um alto AUROC (0.955) para detectar contrações ventriculares prematuras (PVCs) como anomalias, superando a NMF padrão (0.105).

Significância e Alegações

O artigo afirma que o Top-NMF fornece um framework modular para codificar priors estruturais específicos de domínio diretamente no objetivo de fatoração de matrizes. Sua principal significância reside na mudança do papel da homologia persistente de um extrator de características post-hoc para um componente integrável e otimizável do processo de aprendizado.

Os autores enfatizam que o método não garante a otimalidade global ou resolve o problema geral de identifiabilidade da NMF; em vez disso, ele seleciona soluções estruturalmente preferíveis do conjunto de fatorações ambíguas com base no prior topológico imposto. O trabalho sugere que a homologia persistente serve como uma linguagem de modelagem formal para definir as características estruturais desejadas das representações aprendidas, permitindo o aprendizado de bases que são tanto reconstrutivas quanto topologicamente interpretáveis.

O artigo reconhece limitações, incluindo o custo computacional do cálculo da homologia persistente (embora mitigado por formulações eficientes de árvore geradora para grafos) e a dependência de construções de domínio especificadas pelo usuário (ex: tipos de filtração, dimensões de embedding). Ele posiciona o Top-NMF como uma ferramenta para pesquisadores injetarem conhecimento de domínio sobre "boas" estruturas de base no aprendizado não supervisionado, em vez de um procedimento de descoberta automatizada.