Topologically Relevant Landmark Selection on Point Clouds
National Key Laboratory for Novel Software Technology, Nanjing University(南京大学新型软件技术全国重点实验室);School of Artificial Intelligence, Nanjing University(南京大学人工智能学院)
针对大型点云持续同调计算昂贵的问题,提出基于Hodge拉普拉斯算子的地标选择方法,通过量化点的调和参与度选取拓扑相关地标,在合成与真实数据上更准确地恢复原始点云PH。
2026-10-06 cs.CG math.AT
Mixup Barcodes: Quantifying Geometric-Topological Interactions between Point Clouds
University of Florida(佛罗里达大学);University of Central Florida(中央佛罗里达大学)
本文提出了一种新的方法,通过结合标准持续同调与图像持续同调,定义了量化形状及其相互作用的新型方法,引入了混合条形码、总混合度和总百分比混合度等统计量,并开发了相关软件工具,用于机器学习中的特征解缠问题。
2026-05-17 cs.CG cs.LG math.AT
A fast and robust algorithm to count topologically persistent holes in noisy clouds
Durham University(杜伦大学)
预处理2D图像通常会产生一个有噪声的兴趣点云。我们研究了平面上无组织云的孔洞计数问题。当在所有可能的尺度上分析云时,给定云中的孔通过其边界轮廓的拓扑持久性来量化。我们设计的算法来计算孔是最持久的过滤偏移(邻域)周围的给定点。输入是平面中的一组$n$点,没有任何用户定义的参数。该算法具有$O(n\log n)$时间和$O(n)$空间。输出是数组(孔数,过滤中的相对持久性)。我们证明理论上的保证,当算法找到正确数量的孔(组件的补充)的一个未知的形状近似的云。
2014-07-19 cs.CG cs.CV math.AT
Cross-Matched Interval Prevalence of High Dimensional Point Clouds
本文提出交叉匹配流行度图像(CMPI),通过仅在点云样本规模上计算持久同调,解决了高维点云中持久同调对噪声敏感且计算复杂度高的问题,并在合成数据上验证了其噪声鲁棒性和特征捕获能力。
2024-11-14 math.AT
Persistence Terrace for Topological Inference of Point Cloud Data
拓扑数据分析(TDA)是一种快速发展的用于研究点云形状和其他数据类型的方法。一种流行的方法,旨在对噪声和离群值具有鲁棒性,是首先使用平滑函数将点云转换为流形,然后将持久同源性应用于Morse过滤。一个重大的挑战是,这个平滑过程涉及到一个参数的选择和持久的同源性是高度敏感的选择,此外,重要的尺度信息丢失。我们提出了一种新的拓扑摘要图,称为持久性平台,它采用了广泛的平滑参数,是强大的,多尺度的,无参数。该图允许人们隔离不同的拓扑信号,这些信号可能已经合并为平滑参数的任何固定值,并且它还允许人们推断拓扑特征的大小和点密度。我们在一些简单的设置中说明了我们的方法,其中噪声是现有框架的一个严重问题,然后我们通过计算横截面图像中的肌纤维将其应用于真实数据集。
2017-12-23 math.AT stat.ME
Persistent homology and topological statistics of hyperuniform point clouds
本文利用持久同调和局部图邻域统计研究超均匀点云的拓扑性质,发现结构因子变化导致拓扑性质系统性差异,并证明局部拓扑特征可用于在有限尺寸系统中检测超均匀性。
2024-03-25 cond-mat.dis-nn cond-mat.soft cond-mat.stat-mech
Distributions of Matching Distances in Topological Data Analysis
在拓扑数据分析中,我们希望辨别数据的拓扑和几何结构,并了解数据的某些特征是否重要,而不是简单的随机噪声。虽然在单参数持久性的统计技术方面取得了进展,但对实际应用非常需要的双参数持久性的情况研究较少。本文提供了一个方便的介绍,两个参数持久的同源性,并提出了结果之间的匹配距离的2-D持久模块从家庭的点云。结果包括观察点云几何结构的差异如何影响持久性模块之间的匹配距离。我们将这些结果作为研究更复杂数据的起点。
2020-01-09 cs.CG math.AT
Topological Data Analysis with $ε$-net Induced Lazy Witness Complex
拓扑数据分析通过构造和研究底层拓扑结构的简单表示来计算和分析点云的拓扑特征。拓扑数据分析最初取得成功之后的热情被构造这种单纯表示的计算成本所抑制。惰性见证复合体是点云的底层拓扑结构的计算上可行的近似。它是内置的参考点的一个子集,称为地标,而不是考虑所有的点,因为在捷克和Vietoris-Rips复合体。界标的选择和数量决定了近似的有效性和效率。我们采用$ε$ -覆盖的概念来定义$ε$ -网。我们证明了$ε$ -网作为地标的选择是点云的$ε$ -近似表示,而诱导的惰性见证复形是诱导的Vietoris-Rips复形的$3$ -近似.此外,我们提出了三个算法来构建$ε$ -net地标。我们建立了这些算法与现有的地标选择算法的关系。我们从经验上验证了我们的理论主张。我们的经验和比较评估的有效性,效率和稳定性的合成和真实的数据集上提出的算法。
2019-06-19 cs.CG math.AT math.ST
Cone fields and topological sampling in manifolds with bounded curvature
通常,噪声点云被给出作为感兴趣的特定紧凑集的近似。有限点云是一个紧集。本文证明了一个重构定理,给出了两个紧集之间的Hausdorff距离的一个充分条件,即当两个紧集的某些等距在环形区域中不存在μ-临界点时,这两个紧集是同伦的。由于假设附近没有距离函数的临界点,则集合变形的偏移量会缩回到集合本身,因此我们可以使用该定理来证明点云的偏移量何时同伦等价于它所采样的集合。周围空间可以是任何黎曼流形,但我们专注于周围流形,无处负曲率。在这个过程中,我们证明了当周围空间是流形时μ-临界点的稳定性定理。
2013-08-03 cs.CG math.AT math.DG
Combinatorial Invariants of Multidimensional Topological Network Data
代数拓扑在点云数据分析中的现代应用激发了对组合团复形--组合图的高维扩展--的积极研究。我们表明,这种空间的有意义的不变量反映在相关的线性拟阵族的组合性质,并讨论拟阵理论的方法来计算拓扑中的几个问题。我们的研究结果使我们能够获得随机点云数据,我们讨论了几个抽样分布在$\mathbb{R}^2$和$\mathbb{R}^3$的相关结构的汇总统计量的估计。
2014-10-28 math.AT
Robust Detection of Periodic Patterns in Gene Expression Microarray Data using Topological Signal Analysis
在本文中,我们提出了一种新的方法来分析基因表达数据,建立在时间序列的拓扑特征。我们的目标是在微阵列数据集中识别细胞周期调控基因。我们使用延迟坐标嵌入从时间序列构造点云。利用持续同源性分析点云的拓扑结构,以检测周期性。这种新的技术是准确的和强大的噪声,丢失的数据点和不同的采样间隔。我们使用酵母酿酒酵母数据集的实验证实了所提出的方法的能力。
2014-10-02 math.AT q-bio.GN q-bio.QM
Approximating persistent homology for a cloud of $n$ points in a subquadratic time
$n$ -点度量空间的Vietoris-Rips滤子是一个大单纯复形序列,它在不连通的空间上增加了一个拓扑结构。持续同源性是拓扑数据分析的重要工具,它研究在多尺度上持续存在的数据的拓扑特征。计算滤子的持久同调的最快算法有时间$O(M(u)+u^2\log^2 u)$,其中$u$是更新(单形的添加或删除)的数量,$M(u)=O(u^{2.376})$是$u\times u$矩阵相乘的时间。对于由两两距离给出的$n$点的空间,我们用一个由$u=o(n)$更新组成的锯齿形过滤来逼近Vietoris-Rips过滤,该过滤在$n$中是次线性的.常数取决于给定的近似误差和度量空间的双倍维数。然后,该次线性尺寸过滤的持久同调可以在时间$o(n^2)$中计算,其在$n$中是次二次的。
2017-09-16 cs.CG cs.CV math.AT
The Higher-Dimensional Skeletonization Problem
真实数据通常以点云的形式给出,即点之间具有成对距离的点的有限集。一个重要的问题是检测数据的拓扑形状-例如,用一个低维的非线性子空间(如嵌入图或单纯复形)来近似点云。经典的聚类方法和主成分分析工作时,给定的数据点分裂成良好分离的集群或位于附近的线性子空间的欧几里得空间。一般度量空间中的拓扑数据分析方法检测更复杂的模式,例如在与云相关联的1参数形状族中持续很长时间的孔和空隙。这些特征可以以一维同调持久骨架的形式可视化,该骨架将点云的最小生成树最优地扩展为具有圈的图。我们将这个骨架推广到更高的维度,并证明其最优性之间的所有复杂的,保持在任何规模的数据的拓扑特征。
2017-10-10 math.AT
The Christoffel-Darboux kernel for topological data analysis
在$\mathbb{R}^n$中点云拓扑结构的研究中,持久同源性被广泛应用。标准方法对异常值非常敏感,并且它们的计算复杂性严重依赖于数据点的数量。在本文中,我们介绍了一种新的持久性模块的点云使用的Christoffel-Darboux内核的理论。该模块对数据中的(统计)异常值具有鲁棒性,并且可以在数据点数量的时间线性中计算。我们用$\mathbb{R}^n$中的各种数值例子来说明我们的新模块的优点和局限性,对于$n=1, 2, 3$。我们的工作扩展了Christoffel-Darboux内核在统计数据分析和几何推理方面的最新应用(Lasserre,Pauwels和Putinar,2022)。在那里,这些内核被用来构造一个多项式,其水平集以精确的方式捕获点云的几何形状。我们表明,持久的同源性相关联的子水平集过滤这个多项式是稳定的Wasserstein距离。此外,我们证明了这种过滤的持久同调可以在环境维$n$中以单指数时间计算,使用Basu & Karisani(2022)的最新算法。
2022-11-28 cs.CG math.AT math.OC
Topological Invariants of Anosov Representations
我们定义了新的拓扑不变量Anosov表示和研究他们的详细最大表示的基本群的一个封闭的定向表面到辛群。
2010-04-15 math.AT math.DG
A Unified Topological Approach to Data Science
我们建立了一个新的理论,它提供了一个统一的拓扑方法的数据科学,适用于点云数据和图形数据,包括网络超越成对的相互作用。将单纯复形和超图推广到超超图,并建立了超超图同调作为单纯同调的推广。在应用的驱动下,我们还引入了超持久同源性。
2021-03-31 math.AT
Topological Data Analysis of Biological Aggregation Models
我们应用拓扑数据分析的工具,两个数学模型的启发,生物聚集,如鸟群,鱼群,昆虫群。我们的数据由Vicsek和D'Orsogna模型的数值模拟输出组成。这些模型是描述通过对齐,吸引和/或排斥相互作用的代理的运动的动态系统。每个模拟时间帧是位置-速度空间中的点云。我们分析这些点云的拓扑结构,解释持久的同源性计算的前几个贝蒂数。这些Betti数计算数据中存在的连接组件、拓扑圆和捕获体积。为了解释我们的结果,我们引入了一个可视化,显示贝蒂数在模拟时间和拓扑持久性尺度。我们比较我们的拓扑结构的结果,通常用于量化的全球行为的聚集,如极化和角动量的顺序参数。拓扑计算揭示了顺序参数未捕获的事件和结构。
2015-03-11 math.AT nlin.AO q-bio.QM
Topological Data Analysis on Simple English Wikipedia Articles
单参数持续同调是拓扑数据分析中的一个重要工具,它与量化结果意义的统计技术一起被广泛应用于数据问题。相比之下,统计技术的两个参数的持久性,而非常可取的现实世界中的应用,几乎没有被考虑。我们提出了三种统计方法比较几何数据,使用两个参数的持久同源性,这些方法依赖于希尔伯特函数,匹配距离,和条形码从两个参数的持久性模块计算的点云数据。我们的统计方法是广泛适用于分析的几何数据索引的实值参数。我们应用这些方法来分析从简单的英语维基百科文章中获得的高维点云数据。特别是,我们展示了如何利用我们的方法来区分维基百科数据的某些子集,并与随机数据进行比较。这些结果产生的见解零分布的建设和稳定性,我们的方法相对于嘈杂的数据。
2020-12-11 math.AT
On topological representation theory from quivers
在这项工作中,我们引入{ \em拓扑表示的一个拓扑空间和它的关系所确定的一个系统的一个拓扑空间。这样的设置给出了拓扑空间的拓扑表示和图之间的自然联系。首先,我们通过$P(Γ)$ - $\mathcal{TOP}^o$和$kΓ$ -Mod研究了关于(正)分次模和顶点(正)分次模的拓扑表示范畴和线性表示范畴之间的关系.其次,我们利用$Γ$ -limit $Lim^Γ$讨论了箭图拓扑表示的同调理论,并利用$H_n$定义了箭图拓扑表示的同调群。研究发现,从同调群中可以读出一个群的某些性质。第三,我们研究了箭图拓扑表示的同伦理论。我们定义了$\textbf{Top}\mathrm{-}\textbf{Rep}Γ$中两个态射之间的同伦等价性,并证明了基于同伦等价性的顶表示的平行同伦公理也成立。最后,我们主要得到了从$\textbf{Top}\mathrm{-}\textbf{Rep}Γ$到$\textbf{Top}$的函子$At^Γ$,并证明了$At^Γ$保持态射之间的同伦等价。建立了顶表示$(T,f)$的同伦群与$At^Γ(T,f)$的同伦群之间的关系。
2020-12-27 math.AT math.KT math.RA
PERCEPT: a new online change-point detection method using topological data analysis
拓扑数据分析(TDA)提供了一套数据分析工具,用于从复杂的高维数据集中提取嵌入的拓扑结构。近年来,TDA已经成为一个快速发展的领域,在广泛的应用中取得了成功,包括信号处理,神经科学和网络分析。在这些应用中,变化的在线检测至关重要,但这可能具有高度挑战性,因为此类变化通常发生在高维数据流中的低维嵌入中。因此,我们提出了一种新的方法,称为基于持久性的变化点检测(PERCEPT),它利用从TDA学习的拓扑结构,顺序检测变化。PERCEPT遵循两个关键步骤:它首先通过持久性图学习作为点云的嵌入式拓扑,然后应用非参数监测方法来检测所得到的点云分布中的变化。这产生了一个非参数的,拓扑感知的框架,可以有效地检测在线变化,从高维数据流。我们调查的有效性的感知现有的方法在一套数值实验中的数据流有一个嵌入式的拓扑结构。然后,我们证明了在太阳耀斑监测和人体姿态检测的两个应用程序中的有效性的感知。
2022-03-08 math.AT stat.AP stat.ME