Persistence Spheres

新的持久性球体方法增强了拓扑机器学习

研究人员推出了一种名为“持久性球体”的增强方法，用于在拓扑机器学习中表示度量（包括持久性图）。这种新方法提供了双连续线性表示，在 1-Wasserstein 偏最优传输距离下是稳定的。该方法根植于凸几何，并改进了之前的定义，以更好地与偏最优传输机制对齐，通过带符号对角线增强进行编码。更新后的持久性球体在涉及函数数据、时间序列和点云的各种机器学习任务中，展示了具有竞争力的性能和优于现有方法的改进。