通过量子计算实现高阶拓扑核
本研究提供了用于持久同调中计算 Betti 数的量子算法,以及用于查找组合拉普拉斯的特征向量和特征值的算法。这种算法比拓扑数据分析的经典算法速度更快。
Aug, 2014
本文提出一种基于 persistence diagrams 的核方法,用于发展统计学框架,该方法具有稳定性和快速逼近技术,并在蛋白质和氧化物玻璃的实际数据中证明了其比其他相关方法更具优势。
Jan, 2016
本文应用拓扑数据分析的前沿技术,通过量化内部表示之间的差异和绘制网络层次结构图等方法,探索了用于图像分类的深度神经网络的可解释性,并提供了实验证据证明这些方法能够捕捉到有关模型过程的可贵结构信息。
Dec, 2022
通过离散拓扑学和微分几何的概念,我们提出了一种从复杂点云中提取节点级拓扑特征的新方法,并验证了这些拓扑点特征在合成和真实数据上的有效性以及其对噪声的鲁棒性。
Jun, 2024
本文介绍了一种新的自适应算法,可以在给定定义多项式集的情况下,在实数代数多项式上找到证明的点样本。该算法利用了数值代数几何的方法,可以形式化保证采样的密度,并利用几何启发式方法减少采样的大小。结果表明,该算法可以使得使用 TDA 方法更加可行。
Feb, 2018
我们详细测试了拓扑数据分析(TDA)的声称,并验证了其优点。我们的结果证实了 TDA 对异常值的鲁棒性和其解释性,并发现 TDA 在我们的具体实验中并没有显著提高现有方法的预测能力,同时增加了计算成本。我们研究了与图特征相关的现象,如小直径和高聚类系数,以减轻 TDA 计算的计算开销。我们的研究结果为将 TDA 整合到图机器学习任务中提供了宝贵的观点。
Jan, 2024
通过使用拓扑数据分析(TDA)和利普希茨 - 基林曲率(LKCs)方法,本研究探索了在生物医学多组学问题的背景下,作为强大工具进行特征提取和分类的应用。我们调查了结合这两种方法以提高分类准确性的潜力,并通过使用生物医学图像数据集来展示 TDA 和 LKCs 可以有效提取拓扑和几何特征。这种特征的组合相对于单独使用每种方法可以获得更好的分类性能,该方法为各种生物医学应用的复杂生物学过程的研究提供了有前景的结果,并突显了在生物医学数据分析中整合拓扑和几何信息的价值。随着我们继续探索多组学问题的复杂性,这些洞察力的融合对于揭示潜在的生物学复杂性有着巨大的潜力。
Nov, 2023