Jan, 2020

Simplex Tree：一种高效的生成单纯复合体的数据结构

PDF
TL;DR本文介绍了一种名为 simplex tree 的数据结构，可用于表示任意维度的抽象单纯形复合体，并提供了有关理论复杂度分析和基本操作的详细实验结果。作者特别研究了 Rips 复合体。
data structuresimplex treesimplicial complextheoretical complexity analysisrips complexes
发现论文，激发创造
  • 基于单纯结构的图形基元高效编码

    基于简单形式的结构是一种更高效且更通用的编码图形基元的方法，其中计算采样点的值的方法类似于简单噪声算法的转换过程。

    Nov, 2023

  • 基于点数据的图引出的复杂结构

    本文研究了一种名为 “图诱导复合体” 的结构， 它是一种介于基本的 Vietoris-Rips 复合体和 subsampling 的 witness complex 之间的计算拓扑学结构， 拥有比两者更好的优点， 能够从很少的样本中推断流形的一维同调、重构三维表面并推断稠密样本中的持久同调群。

    Apr, 2013

  • 单纯形复形表示学习

    本文提出了一种基于几何传递的方法，以端到端的方式将一个单纯复形嵌入到一个通用嵌入空间中，从而实现单纯复形级别的表示学习，并在公开可用的网格数据集上进行了验证。这是学习单纯复形级别表示的第一种方法。

    Mar, 2021

  • 简单形式复合体社区检测的 Simplex2Vec 嵌入

    本文介绍了如何使用符号嵌入来计算和可视化单纯复合体的社区结构，研究了综合性数据和来自大脑的拓扑表示的社区结构，并展示了如何利用高阶交互作用来改善聚类检测并评估高阶交互作用对个体节点的影响。

    Jun, 2019

  • 嵌入复合体的不变表示

    提出了一种新的方法，利用拓扑和几何信息，仅仅使用统计数据和图神经网络就能对嵌入的单纯复合体进行无细分和等距不变分析。利用合成网格数据集证明了该方法的有效性。

    Feb, 2023

  • 单纯复合体与复杂系统

    介绍拓扑数据分析及其对于复杂系统研究的潜在意义，讨论当前方法的优缺点并总结相关实证研究，同时指出未来研究中需要解决的方法学挑战。

    Jul, 2018

  • 基于原则的单纯神经网络用于轨迹预测

    本文探讨了建立基于单纯复形数据的神经网络体系结构。通过定义三种理想属性，即排列等变性，定向等变性和单纯感知性，我们提出了一种简单的卷积架构，用于轨迹预测问题，并展示了它在合成和实际数据集上推广性的提高。

    Feb, 2021

  • 单纯二维复形卷积神经网络

    在 Simplicial 2 - 复合体中，我们开发了一个卷积神经网络层，以处理具有图形或超图结构的数据，这提供了图形结构和超图结构之间的中间地带。

    Dec, 2020

  • 两个人是伴侣，三个人或以上就是一个高阶组织结构：代数 - 拓扑工具的应用于理解神经数据中的高阶结构

    本文介绍一种基于代数拓扑学中的理论概念 —— 单纯复合体（simplicial complex）的方法，它可以克服神经网络中传统图论所面临的限制，为神经现象的建模和测量提供了更多灵活性。

    Jan, 2016

  • 路径复合体和有向图的同源性

    本文介绍了路径复合物的概念，该概念可以看作是对单纯复合物的推广。考虑到有向图，我们得到了有向图的路径同调理论。

    Jul, 2012