persistent homology
PulseAugur coverage of persistent homology — every cluster mentioning persistent homology across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的洪水双过滤方法增强了可扩展的2参数持久同调
研究人员引入了次层洪水双过滤，这是一种旨在提高计算2参数持久同调在大型数据集上可扩展性的新方法。该方法扩展了现有的洪水过滤技术，为次层偏移双过滤提供了稳定而有效的近似。该方法在密度感知重要的合成和真实世界时间序列数据的分类任务中显示出潜力。
-
TopTimeNet模型解耦特征提取，实现高效时间序列分类
研究人员开发了TopTimeNet，这是一种新颖的时间序列分类模型，它将特征提取与学习过程分离开来。该方法利用来自Takens延迟嵌入和持久同调的固定几何和拓扑描述符，然后进行一个轻量级的可学习分类阶段。TopTimeNet在参数数量显著减少的情况下，实现了与大型卷积神经网络和Transformer模型相当的准确性，展示了一种区分周期性和混沌动力学更有效的方法。
-
新研究推动持久同调在机器学习和数据分析中的应用
两篇研究论文探讨了持久同调领域的进展。持久同调是计算机科学和数学中用于分析数据形状的领域。第一篇论文介绍了一个区分锯齿持久性的框架，使其能够集成到机器学习管道中以处理动态数据结构。第二篇论文定义了一种新颖的持久同调类的非阿基米德度量，并证明了其在层次聚类中的有效性，并提供了统计上可验证的拓扑信息。
-
新方法为流形上的高斯核提供了高效的低维嵌入
研究人员开发了一种新的方法，用于在流形上创建高斯核的低维嵌入。该技术改进了Chen和Phillips之前的工作，为计算任意子流形上点的成对高斯核距离提供了一种更有效的方法。新的嵌入在指定的误差范围内保留了成对距离，并保持了拓扑信息，确保了持久同调的保留。
-
持久同调客观识别艺术风格和AI仿品
研究人员已经证明了持久同调（PH）——一种来自拓扑数据分析的技术——在客观识别和区分艺术风格方面的有效性。该方法可以区分不同流派的艺术家，甚至可以区分艺术家原作和模仿其风格的AI生成图像。由Barbara Giunti领导的研究强调了PH在结构化艺术分析方面的潜力，超越了传统的艺术史方法。
-
持久同调提高了牙科影像分析的准确性
研究人员开发了一种新方法，使用持久同调（一种拓扑数据分析技术）来自动化锥形束计算机断层扫描（CBCT）扫描中的牙科影像任务。该方法结合支持向量机，能够高精度地对牙齿进行分类和诊断。在相同的牙齿标记和诊断任务数据集上，该技术在性能上显著优于卷积神经网络（CNN）。
-
新的拓扑方法检测时间序列数据中的霍普夫分岔
研究人员开发了一种新颖的拓扑框架，可以直接从标量时间序列数据中识别霍普夫分岔。该方法结合了延迟坐标重构和持久同调，使用一维同调类的最大持久性作为循环结构的描述符。该方法已在霍普夫范式、洛伦兹系统和简化的Belousov-Zhabotinsky模型等各种模型上进行了测试，证明了对跃迁的准确定位，并说明了不同参数和数据质量的影响。
-
新的拓扑框架分析 Transformer 表征演化
研究人员推出了 Transformer Geometry Observatory TGO-IV，这是一个新颖的拓扑框架，旨在分析 Transformer 模型中表征的发育演化。该方法利用持久同调来检查表征点云在不同层之间如何转换，以期理解原始输入如何演化为与任务相关的特征。该框架结合了各种拓扑工具，包括持久性图、条形图、贝蒂曲线和持久性景观，以提供前向传播过程中全局拓扑发育的全面视图。
-
综述梳理了偏序集在机器学习和数据分析中的应用
一篇新的综述论文探讨了偏序集（posets）在机器学习和数据分析中的应用。文章强调了偏序集如何适用于表示各种机器学习任务中常见的支配或包含等关系。该论文提出了一个基于偏序集方法的分类法，并回顾了近期的发展，包括它们在强化学习安全层和深度学习中的应用。
-
新分析量化了预测编码网络中的拓扑简化
研究人员利用持久同调来分析预测编码网络（PCNs）中学习到的表示的拓扑结构。他们的研究在合成数据集和MNIST数据库上进行，结果显示，较小的PCN倾向于比大型模型更早地简化其跨层的拓扑特征。发现简化深度与重建误差之间存在显著的负相关，表明较晚的简化会导致更好的重建。研究结果表明，持久同调可以定量评估PCN中的压缩-重建权衡，该权衡受模型容量和网络递归动力学的影响。
-
新研究使用持久同调分析AI模型拓扑
研究人员分析了预测编码网络（PCNs）中学习到的表示的拓扑结构，PCNs是一种受神经科学启发的双向架构。通过对在合成数据和MNIST上训练的PCNs进行持久同调分析，他们观察到较小的模型倾向于比较大的模型更早地简化跨层的拓扑特征。研究还发现简化深度与重建误差之间存在相关性，表明较晚的简化会导致更好的重建。此外，PCNs简化连通分量的时间始终晚于匹配的多层感知机（MLPs），这表明模型容量和PCNs的循环动力学影响着这一简化过程。
-
论文分析持久同调性度量在3D图像去噪中的鲁棒性
本文探讨了持久同调性度量在应用于3D图像（特别是多孔介质图像）去噪时的鲁棒性。研究调查了在高斯噪声和各种去噪技术（包括高斯卷积和机器学习方法）的影响下，不同的拓扑度量（如瓶颈距离、Wasserstein距离、持久性统计量和持久性图像）的表现。目的是评估这些度量在存在噪声的情况下准确表示图像底层结构的可靠性。
-
拓扑数据分析提升网球比赛预测准确性
研究人员通过将拓扑数据分析和图论应用于2000-2025年的ATP单打比赛数据，开发了预测网球比赛结果的新方法。一种方法在球员竞争网络上使用低星过滤，通过持久同调提取拓扑特征。该方法结合图论和排名特征，使用随机森林模型达到了66.2%的准确率，表明拓扑特征为传统指标提供了互补信号。值得注意的是，仅基于拓扑的模型保持了63.56%的准确率，证明了仅使用网络衍生特征的力量。
-
新的贝蒂数过滤聚类算法性能超越最先进水平
研究人员推出了一种名为基于贝蒂数过滤的拓扑聚类（BFTC）的新聚类算法。该方法利用拓扑数据分析，特别是持久同调，来捕捉传统算法难以处理的数据集中复杂的几何结构。BFTC 在数据点周围构建局部过滤，计算贝蒂数形成“贝蒂序列”，这些序列充当多尺度拓扑签名，然后利用这些序列来优化谱聚类的邻域图。实验表明，BFTC 在具有复杂结构的人工和真实数据集上性能优于现有的基于拓扑的方法。
-
新型无网格损失将神经表示拟合速度提高了 250 倍
研究人员为隐式神经表示开发了一种新颖的无网格辅助损失函数，利用源自 Minkowski 函数的过零密度。该方法提供了显著的速度提升，比传统的持久同调损失快约 250 倍。虽然在二维中能有效修复拓扑和保持保真度，但该技术在三维中面临挑战，在三维中，梯度下降可能会掩盖低于采样密度的拓扑噪声，从而影响准确性。
-
新研究探讨拓扑数据分析中的量子优势和抗噪声能力
两篇新研究论文探讨了拓扑数据分析（TDA）的进展，这是一种使用拓扑学在数据中查找模式的机器学习技术。第一篇论文介绍了归一化持久性，它是持久同调的一个变体，并证明了其 $\mathsf{DQC}_1$-hardness，暗示了TDA中指数级量子加速的潜力。这项工作还将归一化持久性与局部哈密顿量的复杂度联系起来。第二篇论文提出持久离散同调作为现有方法的一种更具抗噪声能力的选择，特别适用于非度量设置中的数据。
-
新方法利用频谱分析区分人工智能生成语音和人类语音
一篇新研究论文介绍了一种通过分析元音频谱分布来区分人类生成语音和人工智能合成语音的方法。该技术利用 Wasserstein 度量来测量元音频谱之间的距离，发现合成语音的 Wasserstein 距离更短。通过将持久同调应用于这些数据，研究人员可以对合成语音和自然语音的频谱概率密度函数进行聚类，从而实现区分。
-
新型LLM智能体自动化医学影像拓扑分析
研究人员开发了TopoAgent，一个基于LLM的框架，旨在自动化医学影像分析中拓扑描述符的选择和应用。该智能体系统利用感知-推理-行动-反思循环和一套21种工具来分析图像，确定最合适的拓扑描述符，并为下游任务生成特征向量。TopoAgent旨在解决当前方法通常依赖单一固定拓扑描述符的局限性，为捕获医学影像数据中的几何结构属性提供更全面的方法。
-
TopoTTA框架整合拓扑数据分析以进行异常分割
研究人员开发了TopoTTA，一个将拓扑数据分析整合到测试时自适应以进行异常分割的新框架。该方法使用持久同调来强制执行几何和结构一致性，导出拓扑伪标签，在不重新训练骨干模型的情况下指导分类器。TopoTTA通过保持连通性并跨2D和3D模态进行泛化，提高了分割质量，在标准基准测试中平均F1得分提高了15%，尤其是在具有复杂几何变化的异常方面。
-
新的 TopoCast 框架评估时间序列预测中的结构保真度
研究人员推出 TopoCast，一个旨在评估由基于 Transformer 的模型生成的时间序列预测的结构保真度的新框架。与关注数值准确性的均方误差等传统指标不同，TopoCast 利用持久同调和 Takens 延迟嵌入来分析预测信号的潜在动态和结构特性。这种方法旨在识别传统评估方法常常忽略的过平滑、相位偏移和频率失真等问题。实验表明，TopoCast 可以揭示在标准误差指标上表现相似的模型之间在结构完整性方面的显著差异。