A Kernel for Multi-Parameter Persistent Homology
Graz University of Technology（格拉茨工业大学）；University of Modena and Reggio Emilia（摩德纳-雷焦艾米利亚大学）；University of Utah（犹他大学）
拓扑数据分析及其主要方法--持久同调，为计算高维噪声数据集的拓扑信息提供了工具。已经建立了用于单参数持久同源性的核以将持久同源性与机器学习技术相连接。我们贡献了一个核结构的多参数持久性通过整合一个单参数核沿直线加权。我们证明了我们的核是稳定的和有效的可计算的，这建立了拓扑数据分析和多元数据分析的机器学习之间的理论联系。
2019-06-05 cs.CG cs.LG math.AT
Non-isotropic Persistent Homology: Leveraging the Metric Dependency of PH
RWTH Aachen University（亚琛工业大学）
提出非各向同性持久同调方法，通过改变底层空间距离函数并分析持久性图偏移，提取点云的方向、方差和缩放等额外拓扑几何信息。
2023-10-25 cs.CG cs.LG math.AT
Unsupervised Space-Time Clustering using Persistent Homology
University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文提出了一种新的时空数据聚类算法的拓扑数据分析的基础上，特别是持续同源的概念。在无监督学习中使用持久同源性-一种来自代数拓扑的灵活数学工具，用于从数据中提取拓扑信息-是一种不常见的新颖方法。这种方法的一个值得注意的方面在于分析多分辨率的数据，从而可以根据其持久性的程度将真实特征与噪声区分开来。我们评估我们的算法在合成数据上的性能，并将其与其他知名的聚类算法，如K-means，层次聚类和DBSCAN进行比较。我们说明其应用的背景下，在切萨皮克湾的水质的案例研究。
2019-10-25 cs.LG math.AT stat.ML
Persistent reachability homology in machine learning applications
本文研究持久可达同调（PRH）在有向图网络分类中的应用，以癫痫检测为任务，证明PRH优于基于有向旗复形的DPH，并结合Betti曲线特征与支持向量机实现分类。
2025-11-06 cs.LG math.AT q-bio.QM
The sublevel Flood bifiltration: towards scalable 2-parameter persistent homology
Université Lyon 1（里昂第一大学）；CNRS（法国国家科学研究中心）；Sorbonne Université（索邦大学）
本文提出子级 Flood 双过滤，可扩展近似子级偏移双过滤，用于高效计算大型点集上的 2-参数持续同调，并在合成与真实时间序列分类任务中验证了性能。
2026-10-08 cs.CG cs.LG math.AT
Scale-Free Image Keypoints Using Differentiable Persistent Homology
Politecnico di Torino（都灵理工大学）；Université Grenoble Alpes（格勒诺布尔阿尔卑斯大学）
本文提出基于 Morse 理论与持久同调的可微拓扑学习框架 MorseDet，通过新损失函数解决关键点检测的尺度依赖问题，实现具竞争力的重复性。
2024-06-03 cs.CV cs.LG math.AT
Regularization of Persistent Homology Gradient Computation
Cardiff University（卡迪夫大学）
持久同源性是一种计算给定数据中存在的拓扑特征的方法。最近，在神经网络或深度学习中，作为计算步骤的持续同源性的集成引起了很大的兴趣。为了使给定的计算以这种方式积分，所讨论的计算必须是可微的。计算持久同调的梯度是一个有无穷多个解的不适定反问题。因此，重要的是执行正则化，以便获得的解决方案与已知的先验知识一致。在这项工作中，我们提出了一种新的方法，通过增加一个分组项正则化持久的同源梯度计算。这有助于确保梯度是相对于较大的图元而不是单个点定义的。
2020-11-14 cs.LG stat.ML
Interpretable Phase Detection and Classification with Persistent Homology
University of Amsterdam（阿姆斯特丹大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
我们应用持久的同源性的任务，发现和表征相变，使用晶格自旋模型的统计物理工作的例子。持久性图像提供了用于进行统计任务的同调数据的有用表示。为了识别相变，对这些图像进行简单的逻辑回归对于我们考虑的模型是足够的，然后从回归的权重中读取可解释的序参量。磁化强度、阻挫和涡旋-反涡旋结构被确定为表征相变的相关特征。
2020-12-01 cond-mat.stat-mech cs.LG math.AT
Persistent Homology and Graphs Representation Learning
Santa Clara University（圣克拉拉大学）；University of South Florida（南佛罗里达大学）；Facebook Inc（脸书公司）
本文的目的是研究编码在节点图表示嵌入的拓扑不变性质，利用工具，在持久同源。具体来说，给定一个节点嵌入表示算法，我们考虑这些嵌入是实值的情况。通过将这些嵌入视为感兴趣域上的标量函数，我们可以利用持久同源中可用的工具来研究这些表示中编码的拓扑信息。我们的建设有效地定义了一个独特的持久性为基础的图描述符，在图形和节点级别，每个节点表示算法。为了证明该方法的有效性，我们研究了DeepWalk，Node2Vec和Diff2Vec诱导的拓扑描述符。
2021-10-09 cs.CG cs.CV cs.LG
Cycle Registration in Persistent Homology with Applications in Topological Bootstrap
Technion - Israel Institute of Technology（以色列理工学院）
在这篇文章中，我们提出了一种新的方法比较持久的同源表示的两个空间（过滤）。常用的方法是基于数值总结，如持久性图和持久性景观，以及适当的度量（例如Wasserstein）。这些总结对于计算目的是有用的，但它们仅仅是持久同源性所能提供的实际拓扑信息的边缘。相反，我们的方法直接在数据空间中比较两个拓扑表示。我们这样做是通过定义两个不同空间的各个持久循环之间的对应关系，并设计一种方法来计算这种对应关系。我们的匹配周期是基于持久性间隔和空间放置的每个功能。我们展示了我们的新框架的拓扑推理的背景下，我们使用统计引导方法，以区分点云数据中的真实特征和噪声。
2021-01-03 cs.CG cs.LG math.AT
Adversary Detection in Neural Networks via Persistent Homology
University of Minnesota（明尼苏达大学）
我们概述了深度神经网络对抗性输入的检测方法。通过将神经网络计算看作是信息从输入空间流向输出分布的图，我们比较了不同输入引起的图的差异。具体来说，通过应用持久的同源性，这些诱导图，我们观察到，最持久的子图，生成第一个同源群的结构不同的敌对和未扰动的输入。基于这一观察，我们建立了一个检测算法，只依赖于在训练过程中提取的拓扑信息。我们在MNIST上测试了我们的算法，并实现了98%的检测对手准确率，F1得分为0.98。
2017-11-28 cs.LG stat.ML
Going beyond persistent homology using persistent homology
University of Helsinki（赫尔辛基大学）；Aalto University（阿尔托大学）；Federal Institute of Ceará（塞阿拉联邦学院）；YaiYai Ltd（YaiYai有限公司）
本文提出颜色分离集概念，完整刻画了持久同调区分属性图的条件，并设计RePHINE融合顶点与边级PH，增强图神经网络表达能力，在多个基准上超越标准PH。
2023-11-10 cs.AI cs.LG
Approximating Persistent Homology for Large Datasets
Department of Mathematics, KTH Royal Institute of Technology（皇家理工学院数学系）；Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系）
本文提出了一种多重子采样方法，用于近似大规模数据集的持久同调，通过三种不同表示方式提升计算效率并验证其有效性。
2026-01-12 cs.LG math.ST stat.ME
Mesh Learning Using Persistent Homology on the Laplacian Eigenfunctions
Ohio State University（俄亥俄州立大学）；University of South Florida（南佛罗里达大学）
我们使用持久的同源性以及拉普拉斯算子的本征函数来研究三角化2流形之间的相似性。我们的方法依赖于研究由拉普拉斯算子的本征函数引起的低星滤波。这给了我们一个形状描述符，继承了拉普拉斯算子的特征函数中编码的丰富信息。此外，这些描述符之间的相似性可以很容易地计算，使用工具，在拓扑数据分析是现成的。我们提供的实验来说明所提出的方法的有效性。
2019-04-23 cs.CV cs.LG stat.ML
Quantum Persistent Homology for Time Series
The University of Tennessee（田纳西大学）
针对现有量子持续同调仅支持点云数据的限制，本文提出量子 Takens 延迟嵌入算法，将时间序列转化为高维点云，从而可利用量子持续同调提取其拓扑特征。
2022-11-08 cs.LG quant-ph
Adaptive Topological Feature via Persistent Homology: Filtration Learning for Point Clouds
The University of Tokyo（东京大学）；Kyushu University（九州大学）
本文提出一种基于神经网络的自适应过滤学习框架，用于点云持续同调特征提取，确保等距不变性，并在分类任务中验证了其有效性。
2023-12-24 cs.CG cs.CV cs.LG
Fast and Scalable Complex Network Descriptor Using PageRank and Persistent Homology
Michigan State University（密歇根州立大学）；University of South Florida（南佛罗里达大学）
图的PageRank是定义在图的节点集上的标量函数，它编码图的节点中心性信息。在本文中，我们使用PageRank函数和持久同源性来获得一个可扩展的图描述符，并利用它来比较图之间的相似性。对于给定的图$G(V,E)$，我们的描述符可以在$O(|E|α(|V|))$中计算，其中$α$是逆阿克曼函数，这使得它在大规模图上是可扩展和可计算的。我们证明了我们的方法的有效性，利用它对多个形状网格数据集。
2020-09-12 cs.CG cs.CV cs.LG
