基于椭球体的持久同调
本文介绍了一种新的用于Barcode的特征映射,包括将Barcode转换为路径表示以及路径表示到张量级数的计算,该方法在统计学习中表现出优越性和特征性。
Jun, 2018
本文旨在通过将符号条形码的解释作为符号测度来显示,将单参数持久性同多参数持久性相结合,从而延伸了从一个参数到多个参数的向量化策略,从而得到了易于定义和计算的特征向量,并且具有可证的稳定性。
Jun, 2023
本文提出了一种新的scale-invariant度量,即标准化瓶颈距离d_N,并介绍了称为metric decomposition的框架,用于比较具有双射的相等基数的有限度量空间,研究了多种降维技术如何在保持拓扑结构方面表现良好。
Jun, 2023
本文介绍了一种新的通用表示框架,使用代数拓扑的不变量对几何数据集进行多尺度形状描述,以表示多参数持久性同调,包括理论稳定性保证及实用的高效算法,能够快速分析几何和点云数据。
Jun, 2023
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
在高维噪声的存在下,通过$k$最近邻图上的谱距离,如扩散距离和有效电阻,可以使持久同调在检测正确拓扑结构方面具有鲁棒性。该研究还导出了有效电阻的新的闭式表达式,并描述了其与扩散距离的关系。最后,通过应用这些方法于几个高维单细胞RNA测序数据集,表明$k$最近邻图上的谱距离可以稳健地检测细胞周期环。
Nov, 2023
我们通过结合标准持久化同调与图像持久化同调,定义了一种描述形状及其之间相互作用的新方法。特别地,我们引入了混合条码(Mixup Barcode),它能够捕捉任意维度中两个点集之间的几何-拓扑相互作用(混合效果);我们还提出了简单的总混合(Total Mixup)和总混合百分比(Total Percentage Mixup)两种统计指标,用于量化相互作用的复杂性;同时,我们还开发了一种软件工具,可用于处理上述问题。作为概念验证,我们将该工具应用于机器学习中的一个问题,即研究不同类别嵌入表示中的解耦(Disentanglement)问题。结果表明,拓扑混合是一种有用的方法,可以用于描述低维和高维数据的相互作用。与持久化同调的典型应用相比,这个新工具更加敏感于拓扑特征的几何位置,这在许多情况下是非常可取的。
Feb, 2024
我们引入了graphcodes,这是一个基于持续同调理论的数据集的拓扑特征的多尺度摘要。它处理沿着两个实值比例参数过滤的数据集。我们描述了使用图神经网络集成图编码的管道,并证明graphcodes在各种数据集上实现了比最先进方法更好的分类准确性。
May, 2024