topological data analysis
PulseAugur coverage of topological data analysis — every cluster mentioning topological data analysis across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的拓扑学引导框架增强了大型语言模型的行为控制
研究人员引入了一个名为拓扑学引导的新框架，该框架利用拓扑数据分析来控制大型语言模型中的不良行为。该方法使用持久性图来表示激活空间，与专注于局部扰动等现有技术相比，提供了更鲁棒的行为引导方法。该框架已在各种模型系列和大小的模型上展示了对大型语言模型行为的一致性修改。
-
新研究应对大型图模型的挑战
arXiv 统计学 > 机器学习板块的两篇新研究论文探讨了分析大型复杂图模型的先进技术。第一篇论文介绍了符号算法和拓扑数据分析，用于计算彩色高斯图模型的最大似然阈值，解决了高维、小样本场景下的局限性。第二篇论文提出了一种新颖的 $\delta$-局部性条件，并利用 Stein 方法为大型图模型的边际分布提供与维度无关的误差界限，提高了近似和采样效率。
-
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。
-
新框架利用拓扑和AI模拟多细胞模式
研究人员开发了一个名为TI$^2$PS的新框架，该框架整合了拓扑数据分析和逆代理建模，用于估计多细胞模式形成的多智能体模型（ABMs）的参数。该方法使用Betti向量来表示空间构型，并能够直接从目标模式推断ABM参数。在一项使用斑马鱼色素模式形成的验证研究中，TI$^2$PS成功估计了参数，并且优于传统的PointNet++方法，仅使用10%的训练数据就取得了更好的结果。
-
新框架支持在拓扑数据分析表示上进行结构化学习
研究人员开发了一个新的框架，用于在拓扑数据分析的Mapper算法生成的结构化表示上进行学习。该方法将完整的Mapper构造视为表示本身的一个组成部分，而不仅仅是预处理步骤。该框架包括对不变性、距离泛函和扰动下的稳定性等数学性质的研究。在时间序列和图分类数据集上的实验证明了该方法在分析表示几何和学习稳定性方面的效用。
-
视觉模型为3D点云提供高效的2D损伤分类
研究人员开发了两种对3D点云数据（PCD）中的损伤进行分类的方法。第一种是3D PCD损伤评估（3PDA），它使用拓扑数据分析（TDA）将几何结构压缩成特征向量以进行异常检测，实现了更高的准确性，但计算成本高且泛化能力有限。第二种是2D投影损伤评估（2PDA），它通过将3D PCD投影到2D视图来利用大型视觉基础模型（VFMs），在时间复杂度上降低了一个数量级，并具有更广泛的泛化能力，但准确性略低。
-
拓扑数据分析增强机器学习对多孔介质渗透率的预测能力
研究人员开发了一种新颖的方法，将拓扑数据分析（TDA）与机器学习（ML）相结合，以预测多孔介质的渗透率。该方法从多孔材料的合成表示和实验数据中提取结构、拓扑和网络特征。研究表明，TDA特征与ML算法相结合时特别有效，能够基于多孔介质的底层结构提供更细致的渗透率预测理解。
-
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。
-
拓扑数据分析预测阿尔茨海默病转化风险
研究人员开发了一种使用持久性同调来预测从轻度认知障碍（MCI）转化为阿尔茨海默病（AD）风险的新方法。该方法将临床轨迹分析为点云，并结合了用于个体级别不确定性估计的拆分共形保证。该研究纠正了潜在的数据泄露，发现拓扑数据分析特征，特别是 H0 持久性熵，显著提高了预测准确性，并与 APOE4 剂量相关。
-
深度学习模型有望通过脑电图对睡眠呼吸暂停进行分类
研究人员开发了深度学习模型，通过脑电图（EEG）信号对睡眠呼吸暂停进行分类，旨在减少传统多导睡眠图（polysomnography）对资源的密集需求。该研究比较了包括Vision Transformer和Graph Attention Networks在内的各种架构，使用了原始时间数据、频谱图和拓扑数据分析特征等不同的信号表示。在575名儿科受试者的数据集上，一个在拓扑数据分析特征上训练的Vision Transformer模型取得了…
-
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AI方法利用拓扑学改进卫星影像中的洪水检测
研究人员开发了一种新的卫星影像洪水检测方法，将拓扑数据分析（TDA）与神经网络相结合。该方法旨在提高遥感领域AI模型的可解释性，这些模型通常被视为黑箱。通过从影像中提取拓扑特征，该系统可以独立识别洪水信号，并增强现有神经网络架构的鲁棒性。
-
新的TDA和ML方法增强了高维过程监控能力
研究人员开发了一种新颖的方法，通过整合拓扑数据分析（TDA）和机器学习来监控高维动态过程。该方法将时间序列数据表示为流形，使用拓扑描述符来捕获结构信息。然后采用神经常微分方程来模拟这些拓扑特征的演变，从而在工业环境中实现有效的基于轨迹的事件检测。与主成分分析和自动编码器等基于重构的方法以及基于轨迹的Koopman自动编码器相比，该方法表现出优越的性能。
-
量子算法为拓扑数据分析提供指数级加速
研究人员开发了一种量子算法，为拓扑数据分析（TDA）中的一个核心问题提供了可证实的指数级加速。这个问题涉及确定数据点拓扑中孔洞的持久性，这是提取鲁棒特征的关键步骤。该算法的有效性得到了一个证明的支持，即该问题是 $\mathsf{BQP}_1$-hard 的，这表明经典解决方案的可能性极低。这项工作与之前的量子 TDA 方法不同，之前的量子 TDA 方法没有严格证明经典难度，或者问题对于量子计算机来说仍然是难以解决的。
-
新的STRAND方法能够对拓扑数据进行统计分析
研究人员开发了一种名为STRAND的新方法来分析拓扑数据。STRAND将拓扑特征视为生存数据，从而能够进行统计比较和机器学习应用。这种方法支持假设检验、效应量计算以及为下游任务创建稳定的特征向量。
-
新的拓扑工具包分析神经网络表示
研究人员开发了一个新的工具包，使用拓扑数据分析来分析神经网络表示。该工具包引入了对称表示拓扑散度（SRTD）来解决现有方法中的不对称问题，并提供更详细的结构诊断。此外，归一化拓扑相似度（NTS）提供了一个标准化的、尺度不变的度量，用于跨不同场景的基准测试，克服了先前无界得分的局限性。
-
TDA-ViT 模型融合拓扑学与 Transformer 实现 99% 的脑肿瘤分类准确率
研究人员开发了一种新颖的融合模型，将拓扑数据分析 (TDA) 与视觉 Transformer (ViTs) 相结合，以改进从 MRI 扫描中对脑肿瘤进行分类。该 TDA-ViT 模型提取几何/拓扑特征和语义表示，并将它们融合以增强区分能力。该方法在 BRISC2025 数据集上实现了惊人的 99.10% 的准确率，优于现有的最先进方法。