persistent homology
PulseAugur coverage of persistent homology — every cluster mentioning persistent homology across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
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。
-
持久同调跟踪微调过程中大型语言模型的表征变化
研究人员采用持久同调来分析大型语言模型在监督微调过程中的内部表征动态。他们的研究检查了四种 Transformer 模型（10亿至70亿参数）和三种对齐目标（有益、无害、混合），发现大多数拓扑变化发生在训练早期，随后趋于稳定。研究结果表明，不同的对齐目标会导致不同的拓扑轨迹，并且经过指令微调的模型与预训练模型演变方式不同，这为超越行为指标的模型对齐提供了新的视角。
-
新的NMF方法整合拓扑学以增强数据解释性
研究人员开发了一种新颖的非负矩阵分解（NMF）方法，通过引入拓扑正则化。该方法旨在通过考虑数据模态的拓扑结构来提高学习到的基的解释性，将它们视为结构化域上的非负函数。该框架利用持久同调稳定地量化拓扑，并将这些拓扑分数整合到NMF目标函数中，以实现图像、时间序列和图信号等各种数据类型的统一建模语言。
-
新的拓扑方法增强了分子动力学模拟分析
研究人员引入了一种使用持久同调（PH）分析分子动力学模拟的新颖方法。这种方法包括一种称为掩码洪水复形的蛋白质特定修改，它能生成对蛋白质构象具有几何感知的摘要。这些基于PH的描述符在各种任务中表现出具有竞争力的性能，包括蛋白质类别预测和马尔可夫状态模型估计，并在蛋白质构象的生成模型方面显示出潜力。
-
新指标衡量AI接收机对信道变化的韧性
研究人员开发了一种名为拓扑韧性指数（TRI）的新指标，用于评估AI原生无线接收机的鲁棒性。该指数基于持久同调，量化了神经网络参数空间在适应不断变化的信道条件时的结构稳定性。与现有方法相比，TRI提供了更有效的预警系统，在性能下降前提供更长的预警时间，并显著降低了变化后的比特误率。
-
PCA 可视化局限性在化石牙齿数据中凸显
研究人员在将主成分分析 (PCA) 应用于可视化位于非线性流形上的高维数据时，发现了其局限性。他们使用了一组化石牙齿的数据，证明了 PCA 的散点图可能误导性地暗示数据聚类，而 t-SNE 和持久同调等更先进的技术则揭示了具有较低内在维度的环状结构。该研究提出了一个支持这些发现的生成模型，解释了观察到的数据分布，并强调了 PCA 可能掩盖底层数据结构的潜在问题。
-
拓扑方法分析动态贝叶斯网络
研究人员开发了一种新的拓扑方法来分析动态贝叶斯网络（DBNs）。该方法将一个时变图与每个DBN相关联，突出了变量之间的强依赖关系。通过应用持久性同调，该方法生成一个条形码，跟踪这些依赖结构随时间的变化，提供了一个稳定且抗噪声的摘要。