Sep, 2023

分类的拓扑机器学习流水线

PDF
TL;DR我们开发了一种通过最适合数据类型的过滤将持久图与数字数据关联起来的流程，使用网格搜索方法确定最佳表示方法和参数，并在常见基准数据集上比较不同的表示方法，这是利用持久同调和机器学习进行数据分类的简单易用的流程的第一步，同时为了解为什么在给定数据集和任务的情况下，一对（过滤，拓扑表示）优于另一对。
persistence diagramsfiltrationtopological pipelinemachine learningdata classification
发现论文，激发创造
  • 使用线性机器学习模型的持久图

    本文提出了一种结合线性机器学习模型和持久图像的统一方法，实现对点云和立方集的统计学反演分析，从 persistence diagrams 中提取嵌入数据中的统计特征。

    Jun, 2017

  • 关于持久化图上模板函数的自适应分区

    本文提供了一种自适应分区的方法来改进模板函数功能，该功能通过坚定的支持函数提供了持续性图的稳定向量表示，并提供了一种框架来自适应选择模板函数所需的参数。

    Oct, 2019

  • 基于拓扑特征和神经网络的图像分类

    通过持续同调方法，将拓扑学特征与深度学习特征相结合，用于多类别分类任务，对 MNIST 数据集进行分析和评估，发现拓扑信息可以提高神经网络的准确性。

    Nov, 2023

  • 持久化图像：持久同调的稳定向量表达

    通过将 PERSISTENCE DIAGRAM 转换为 PERSISTENCE IMAGE，可以提高 machine learning 任务中鉴别拓扑信息的能力。

    Jul, 2015

  • 通过持久同调的自适应拓扑特征：点云的拓扑学过滤学习

    提出了一个新的机器学习框架，利用神经网络学习适应性过滤，在点云数据中提取坚持同调，并通过神经网络架构实现同调的等变性。实验结果表明了该框架在几个分类任务中的有效性。

    Jul, 2023

  • 机器学习的拓扑层

    使用可持续同调应用于拓扑学于机器学习，包括深度学习。该研究提出了一种可微拓扑层，该层基于水平集过滤和边缘过滤计算持续同调。该层在数据重建或机器学习模型权重的规范化，构建构成深度生成网络输出的损失函数以包括拓扑先验，以及对使用持久性特征训练的深度网络进行拓扑对抗攻击等三种应用方面具有创新性。代码公开可用，有望促进深度学习和其他梯度基础应用中的持久同调的使用。

    May, 2019

  • 利用拓扑特征的深度学习

    本文提出了一种新颖的输入层技术，可以输入拓扑特征的签名到深度神经网络，并在训练过程中学习任务最优的表示方法，分类实验结果表明此技术的多功能性和优越性。

    Jul, 2017

  • 基于核嵌入和加权因子的持久性图核方法

    本文提出了一种基于持久图的核方法，通过该方法可以控制持久性的效应并在数据分析中折算噪声拓扑特征。该方法还提供了一种快速逼近技术，并在几个实际问题中得到了应用。

    Jun, 2017

  • 图滤波学习

    本文提出一种学习图形分类问题中与图形结构相关的数据的方法，通过一个基于可学习的实值滤波函数计算上持久同调，并建立了持久同调计算的理论基础。实证研究表明，这种读取操作技术优于之前的技术，尤其是对于图形连接结构对学习问题有意义的情况。

    May, 2019

  • 深度图像理解的拓扑表示学习

    通过拓扑数据分析法，我们提出了一种新颖的深度学习框架，以更好地分割和不确定性评估复杂的细微结构，如生物医学应用中的神经元、组织和血管，为可扩展的标注提供了有力工具。

    Mar, 2024