The Topological Stability Index: A Variance-Based Measure for Persistence Barcodes

Dieser Beitrag stellt den Topologischen Stabilitätsindex (TSI) vor, ein varianzbasiertes skalares Maß für Persistenzbarcodes, das die absolute Lebenszeitdispersion quantifiziert und entropiebasierte Zusammenfassungen ergänzt, indem es strukturelle Variabilität in stochastischen Fluktuationen erfasst, während es gegenüber deterministischen Trends unempfindlich bleibt.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, die Form eines mysteriösen Objekts zu verstehen, indem er seinen „Fingerabdruck" betrachtet. In der Welt der Datenwissenschaft wird dieser Fingerabdruck als Persistenz-Barcodes bezeichnet. Es ist eine Liste von Linien (oder „Strichen"), wobei die Länge jeder Linie angibt, wie lange ein bestimmtes Merkmal (wie ein Loch oder eine Schleife) besteht, während Sie in Ihre Daten hinein- und herauszoomen.

Lange Zeit hatten Wissenschaftler ein Werkzeug namens Persistente Entropie, um diese Barcodes zusammenzufassen. Denken Sie an die Persistente Entropie wie an einen Koch, der eine Suppe probiert und sich nur für das Verhältnis der Zutaten interessiert. Wenn Sie eine Suppe mit 1 Teil Salz und 99 Teilen Wasser haben oder eine Suppe mit 10 Teilen Salz und 990 Teilen Wasser, ist das Verhältnis gleich. Der Koch sagt: „Das schmeckt gleich."

Aber was, wenn die Größe der Suppe wichtig ist? Was, wenn ein Topf eine winzige Tasse ist und der andere eine riesige Badewanne? Das Verhältnis ist gleich, aber das Erlebnis ist völlig anders. Die alten Werkzeuge konnten den Unterschied zwischen einer winzigen, einheitlichen Suppe und einer riesigen, chaotischen nicht erkennen.

Dieser Artikel stellt ein neues Werkzeug vor, den Topologischen Stabilitätsindex (TSI), um dies zu beheben.

Die neuen Werkzeuge: TSI und TSigI

Die Autoren schlagen ein zweigeteiltes System vor, um einen Barcode zu beschreiben, ähnlich wie man eine Menschenmenge durch ihre durchschnittliche Körpergröße und ihre Vielfalt an Körpergrößen beschreibt.

1. Der Topologische Signalindex (TSigI): Die „durchschnittliche Körpergröße"

   • Was es ist: Dies misst die typische Größe der Striche.
   • Die Analogie: Stellen Sie sich eine Gruppe von Menschen vor. Der TSigI gibt Ihnen die durchschnittliche Körpergröße der Gruppe an. Wenn alle 1,80 Meter groß sind, beträgt der Durchschnitt 1,80 Meter. Wenn Sie einen Riesen und viele winzige Menschen haben, könnte der Durchschnitt immer noch 1,80 Meter betragen, aber er erzählt nicht die ganze Geschichte. Er erfasst die „Signalstärke" oder den allgemeinen Maßstab der Merkmale.

2. Der Topologische Stabilitätsindex (TSI): Die „Varianz der Körpergröße"

   • Was es ist: Dies misst, wie gestreut die Strichlängen sind. Er berechnet die Varianz (die statistische Streuung).
   • Die Analogie: Zurück zur Menschenmenge.
     • Szenario A: Alle sind genau 1,80 Meter groß. Die „Streuung" ist null. Der TSI ist niedrig.
     • Szenario B: Sie haben eine Person, die 2,10 Meter groß ist, und eine andere, die 1,50 Meter groß ist. Der Durchschnitt ist immer noch 1,80 Meter, aber die Gruppe ist „unordentlich" oder „heterogen". Der TSI ist hoch.
   • Warum es wichtig ist: Der TSI ist empfindlich gegenüber den absoluten Unterschieden. Er kann Ihnen sagen, ob ein Barcode ein paar riesige, dominante Merkmale und viele winzige hat (hoher TSI), im Gegensatz zu einem Barcode, bei dem alle Merkmale ungefähr gleich groß sind (niedriger TSI).

Die geheime Verbindung: Die „normalisierte" Version

Die Autoren haben auch eine „normalisierte" Version namens cvTSI erstellt.

• Die Analogie: Stellen Sie sich vor, Sie möchten die „Unordnung" einer kleinen Pfütze mit der eines riesigen Ozeans vergleichen. Sie können nicht einfach die rohe Streuung der Wellen messen, weil der Ozean natürlich größer ist. Sie müssen ihn normalisieren.
• Der magische Link: Der Artikel beweist, dass diese normalisierte Unordnung (cvTSI) mathematisch mit einem Konzept aus der Informationstheorie namens Rényi-Entropie verknüpft ist.
  • Denken Sie daran wie an zwei verschiedene Sprachen, die dieselbe Geschichte beschreiben. Eine Sprache (Entropie) verwendet Logarithmen, um die Geschichte zu komprimieren, während die andere (cvTSI) eine gerade Linie (Varianz) verwendet. Sie sagen Ihnen dasselbe über die Verteilung der Striche, betonen aber unterschiedliche Details. Der Artikel zeigt, dass Sie perfekt zwischen ihnen übersetzen können.

Was die Experimente zeigten

Die Autoren testeten diese Werkzeuge an synthetischen Daten (wie computergenerierten Formen und zufälligen Zeitreihen), um zu sehen, wie sie sich im Vergleich zu den alten Werkzeugen verhalten.

1. Deterministisch vs. Zufällig:

   • Als sie einen stetigen, vorhersehbaren Trend (wie eine gerade Linie, die nach oben geht) zu ihren Daten hinzufügten, änderten sich die alten Werkzeuge (Entropie) und die neuen Werkzeuge (TSI) nicht viel. Sie sind gut darin, langweilige, vorhersehbare Muster zu ignorieren.
   • Als sie jedoch zufälliges Rauschen hinzufügten (wie statisches Rauschen auf einem Radio oder das Schütteln einer Kamera), sprang der TSI nach oben. Er ist sehr gut darin, „Chaos" oder zufällige Schwankungen zu erkennen. Er sagt Ihnen: „Hey, die Merkmale sind überall verstreut!"

2. Das Problem mit den „kurzen Strichen":

   • Der Artikel gibt eine Eigenart zu: Wenn Sie einen winzigen, fast unsichtbaren Strich zu Ihrer Liste hinzufügen, ändert sich der TSI. Es ist, als würde man eine sehr kleine Person zu einem Raum voller Riesen hinzufügen; die „Varianz" des Raums ändert sich sofort.
   • Das alte Entropie-Werkzeug ist glatter und kümmert sich weniger darum, einen winzigen Strich hinzuzufügen.
   • Das Fazit: Der TSI ist großartig, um große strukturelle Änderungen und zufälliges Rauschen zu erkennen, aber er ist etwas „springend", wenn Ihre Daten viele winzige, verrauschte Merkmale enthalten.

Zusammenfassung in einfacher Sprache

• Alter Weg (Entropie): „Wie gleichmäßig sind die Merkmale verteilt?" (Ignoriert die tatsächliche Größe).
• Neuer Weg (TSI + TSigI): „Wie groß sind die Merkmale im Durchschnitt?" (TSigI) UND „Wie stark variieren sie in der Größe?" (TSI).
• Das Ergebnis: Die neuen Werkzeuge geben Ihnen ein besseres Bild der strukturellen Variabilität. Sie können den Unterschied zwischen einem System erkennen, das gleichmäßig chaotisch ist, und einem, das ein paar dominante Merkmale mit Rauschen gemischt hat. Sie sind besonders gut darin, zufällige Schwankungen in Daten zu erkennen, die die alten Werkzeuge manchmal übersehen.

Kurz gesagt gibt der Artikel Datenwissenschaftlern ein neues Lineal (TSI), um die „Unordnung" der Form ihrer Daten zu messen, und ergänzt damit das alte Lineal, das nur das „Gleichgewicht" der Form maß.

Technische Zusammenfassung

Technische Zusammenfassung: Der Topologische Stabilitätsindex

Problemstellung

Die Topologische Datenanalyse (TDA) nutzt Persistenzdiagramme und Barcodes, um die Entwicklung topologischer Merkmale über verschiedene Skalen hinweg darzustellen. Obwohl diese Darstellungen reichhaltig und stabil sind, bleibt die Integration mit Standardstatistikwerkzeugen aufgrund des Fehlens einer einfachen linearen oder konvexen Struktur im Raum der Persistenzdiagramme herausfordernd.

Bestehende skalare Zusammenfassungen, wie die persistente Entropie, adressieren dies, indem sie Barcodes auf einzelne Werte abbilden. Die persistente Entropie basiert jedoch auf der normalisierten Verteilung der Persistenzlebensdauern (relative Gewichte). Folglich ist sie skaleninvariant und erfasst keine absolute Dispersion oder Unterschiede in der Größe der Persistenzlebensdauern. In vielen Anwendungen sind absolute Unterschiede in Skala und Variabilität aussagekräftige Indikatoren für strukturelle Heterogenität, gehen jedoch in entropiebasierten Zusammenfassungen verloren. Es besteht ein Bedarf nach einem skalaren Maß, das die absolute Dispersion der Persistenzlebensdauern quantifiziert und gleichzeitig empfindlich gegenüber struktureller Heterogenität bleibt.

Methodik

Die Autoren führen den Topologischen Stabilitätsindex (TSI) ein, ein varianzbasiertes skalares Maß, definiert als die Stichprobenvarianz der Multimenge der Persistenzlebensdauern.

1. Definition und Kern-Eigenschaften

Sei $B$ ein Persistenzbarcode mit $n_B$ Balken und Lebensdauern $\ell_i = d_i - b_i$. Der TSI ist definiert als:
$$\text{TSI}(B) := \text{Var}(L_B) = \frac{1}{n_B - 1} \sum_{i=1}^{n_B} \left( \ell_i - \frac{L_B}{n_B} \right)^2$$
wobei $L_B = \sum \ell_i$ die Gesamtpersistenz ist.

Zu den etablierten mathematischen Schlüsseleigenschaften gehören:

• Skalierung: Der TSI skaliert quadratisch ($c^2$) unter einer einheitlichen Skalierung der Filtrationswerte.
• Translationsinvarianz: Der TSI ist invariant unter einer einheitlichen Translation der Todeszeiten (Verschiebung aller Lebensdauern um eine Konstante), sofern die Anzahl der Balken konstant bleibt.
• Extremalcharakterisierung: Für eine feste Anzahl von Balken und eine feste Gesamtpersistenz wird der TSI minimiert (Null), wenn alle Lebensdauern gleich sind, und maximiert, wenn die Persistenz in einem einzigen Balken konzentriert ist.
• Aktualisierungsformeln: Es werden explizite rekursive Formeln für den TSI beim Einfügen oder Löschen eines Balkens hergeleitet, die die Empfindlichkeit gegenüber der Abweichung der Länge des neuen Balkens vom bestehenden Mittelwert zeigen.
• Stabilität: Obwohl der TSI unter dem Einfügen beliebig kurzer Balken nicht stetig ist (aufgrund von Änderungen in der Normalisierung der Stichprobengröße), erlaubt er quantitative Schranken relativ zum leeren Diagramm und zur Bottleneck-Distanz, wenn die Anzahl der Balken fest ist.

2. Komplementärer Signalindex

Um die typische Skala der Lebensdauern zu erfassen, definieren die Autoren den Topologischen Signalindex (TSigI):
$$\text{TSigI}(B) := \frac{\sum \ell_i^2}{\sum \ell_i}$$
Dies wird als persistenzgewichtete mittlere Lebensdauer interpretiert. Zusammen bilden $(\text{TSigI}(B), \text{TSI}(B))$ eine zweidimensionale Zusammenfassung, die sowohl die Größe (Signalstärke) als auch die Dispersion (strukturelle Variabilität) des Barcodes kodiert.

3. Normalisierte Version und Entropie-Verbindung

Um die Lücke zwischen varianzbasierten und entropiebasierten Zusammenfassungen zu schließen, wird eine normalisierte Version, cvTSI, eingeführt:
$$\text{cvTSI}(B) := \frac{\text{TSI}(B)}{(\bar{\ell}_B)^2}$$
wobei $\bar{\ell}_B$ die mittlere Balkenlänge ist.

• Skaleninvarianz: cvTSI ist invariant unter einheitlicher Skalierung.
• Beziehung zur Rényi-Entropie: Die Autoren beweisen eine exakte algebraische Beziehung zwischen cvTSI und der Rényi-Entropie der Ordnung zwei ($H_2$). Spezifisch ist cvTSI eine affine Funktion der Kollisionswahrscheinlichkeit $\sum p_i^2$ (wobei $p_i$ normalisierte Lebensdauern sind). Somit ist cvTSI eine monotone Neu-Parametrisierung von $H_2$.
• Taylor-Entwicklung: In der Nähe der Gleichverteilung kann die persistente Entropie $E(B)$ als lineare Funktion von cvTSI approximiert werden, was zeigt, dass cvTSI die führende quadratische Abweichung der Entropie von ihrem Maximum erfasst.

Wichtige Ergebnisse

Die Arbeit validiert die theoretischen Eigenschaften und den praktischen Nutzen des TSI durch numerische Experimente an synthetischen geometrischen Daten und stochastischen Zeitreihen:

1. Geometrische Konfigurationen (Kreise):

   • In Modellen mit disjunkten und verschlungenen Kreisen konvergiert der TSI mit zunehmender Stichprobendichte schnell zu einem asymptotischen Wert und zeigt damit Robustheit gegenüber der Stichprobendichte.
   • Im Gegensatz zur persistenten Entropie, die stark von der Konvergenz der Geburtszeiten gegen Null abhängt, bleibt der TSI unter einheitlichen Translationen des Barcodes invariant (z. B. bei variierender Stichprobengröße in disjunkten Kreisen).
   • Der TSI ist empfindlich gegenüber lokalen Störungen (kurzlebige Balken), während die Entropie das Gesamtbalance der normalisierten Verteilung widerspiegelt.

2. Rausch-Robustheit:

   • Bei zunehmendem Gaußschen oder uniformem Rauschen nimmt der TSI schnell gegen Null ab, wenn dominante Merkmale zerstört werden und die Lebensdauern gleichmäßig klein werden.
   • Im Gegensatz dazu nimmt die persistente Entropie monoton zu, wenn die Verteilung der Lebensdauern gleichmäßiger wird (viele kurzlebige Merkmale).
   • cvTSI zeigt ein nicht-monotones Verhalten mit einem Maximum, wenn eine Mischung aus markanten und kurzlebigen Merkmalen existiert, bevor es abnimmt, sobald das Rauschen dominiert.

3. Stochastische Zeitreihen (Geometrische Brownsche Bewegung):

   • Bei der Analyse der GBM ist der TSI weitgehend unempfindlich gegenüber deterministischen Trends (Drift), reagiert jedoch stark auf stochastische Schwankungen (Volatilität).
   • Eine zunehmende Volatilität führt zu höheren TSI-Werten, was eine erhöhte Dispersion der Persistenzlebensdauern widerspiegelt.
   • Dies steht im Gegensatz zur Entropie, die nur eine schwache Abhängigkeit von der Drift und eine moderate Abhängigkeit von der Volatilität zeigt.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass der Topologische Stabilitätsindex eine notwendige Ergänzung zu bestehenden entropiebasierten Zusammenfassungen in der TDA darstellt. Seine Hauptbeiträge sind:

• Erfassung der absoluten Dispersion: Im Gegensatz zur persistenten Entropie quantifiziert der TSI die absolute Variabilität der Persistenzlebensdauern, wodurch er empfindlich gegenüber heterogenen Merkmalskalen und struktureller Komplexität wird, die die Entropie übersieht.
• Vereinheitlichte Perspektive: Durch den normalisierten cvTSI stellt die Arbeit eine direkte mathematische Verbindung zwischen varianzbasierten Maßen und informationstheoretischen Zusammenfassungen (Rényi-Entropie) her und vereinigt zwei unterschiedliche Ansätze zur skalaren Zusammenfassung.
• Komplementäre Empfindlichkeit: Die Experimente zeigen, dass TSI und Entropie unterschiedliche Aspekte der Datenstruktur erfassen. Der TSI ist relativ unempfindlich gegenüber deterministischen Trends, reagiert jedoch hochgradig auf stochastische Schwankungen und Variationen in der Persistenzgröße.
• Zweidimensionale Zusammenfassung: Das Paar $(\text{TSigI}, \text{TSI})$ bietet eine einfache, interpretierbare zweidimensionale Zusammenfassung, die sowohl die typische Skala topologischer Merkmale als auch ihre strukturelle Variabilität kodiert.

Die Autoren schließen, dass der TSI trotz seiner Einschränkungen hinsichtlich der Stetigkeit beim Einfügen von Balken und der Abhängigkeit von der Anzahl der Balken als robuster Deskriptor für strukturelle Heterogenität dient, insbesondere in Szenarien, in denen absolute Skala und Dispersion kritisch sind. Als zukünftige Arbeiten werden die Entwicklung funktionaler Analoga im Rahmen der Persistenzkurven und die Untersuchung asymptotischer Verhaltensweisen für statistische Inferenz vorgeschlagen.