采用拓扑数据分析方法,我们从动力系统时间序列的图形化表示中提取了有关其周期性和混沌特征的信息,并使用序数分区框架构建了两种图形。该方法提供了更准确的动态特性描述,并具有更强的噪声鲁棒性。
Apr, 2019
本文开发了一种数据驱动方法,基于 Markov 链模型和贝叶斯推断框架,同时解决了因过度拟合和任意先验时间尺度的影响对网络动态社群结构提取的问题。该方法可以确定相关时间尺度,并识别在网络上发生的动态模式以及塑造网络本身的因素。
Sep, 2015
研究时间网络中的介观结构和通过使用非负张量分解技术提取社区活动结构和跟踪它们在时间上的变化。
Aug, 2013
本文提出了一种基于 persistent diagram、lower-star filtration 和 Betti 函数的方法,可以高效地从时变图数据中提取形状信息,并在模拟研究和实际数据应用中表现出优越的性能,尤其是对于变点检测和加密货币网络异常价格预测。
May, 2023
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
通过学习拓扑特征的隐藏动态模型,我们提出的神经持久动态模型在各种参数回归任务中实质性地优于当前最先进的模型。
May, 2024
本文研究了在时态动态网络中进行社区搜索的问题,定义了最小时态不效率子图问题和最短最快路径距离,并利用最小定向斯坦纳树的逼近算法,将时态网络转换为静态定向加权图,最后将该框架推广到流式情景。
Nov, 2020
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
使用拓扑数据分析方法研究实验和人工来源的时间序列数据所构造的 “功能网络”。使用持久性同调与加权等阶团过滤来深入挖掘功能网络,使用持续地形图来解释结果,表明持续同调可以检测数据集中随时间出现的同步模式的差异,从而揭示网络社群结构的变化和学习过程中形成回路的脑区之间的同步增强。
May, 2016
提出了基于交互序列的批处理模式的 deep Temporal Graph Clustering (TGC) 框架,通过调整聚类分配和邻接矩阵重建技术来适应时间图的互动动态。实验结果表明,TGC 框架可以有效提高现有临时图学习方法的性能。