Resumen Técnico: Agrupamiento Topológico basado en la Filtración de Números de Betti (BFTC)

1. Planteamiento del Problema

Los algoritmos de agrupamiento tradicionales (por ejemplo, k-Means, DBSCAN, Clustering Espectral) dependen fuertemente de medidas de similitud euclidianas o basadas en kernels. Aunque son efectivos para muchas aplicaciones, estos métodos suelen tener dificultades con conjuntos de datos que exhiben estructuras geométricas complejas, como formas no convexas, múltiples escalas o variedades entrelazadas. Con frecuencia, fallan al capturar características topológicas intrínsecas como bucles, vacíos y conectividad de dimensiones superiores.

Los enfoques existentes de Análisis de Datos Topológicos (TDA) intentan cerrar esta brecha, pero enfrentan limitaciones específicas:

• ToMATo: Depende de la homología de dimensión 0 (componentes conexas) y paisajes de densidad, lo que limita su capacidad para incorporar información topológica de dimensiones superiores.
• TPCC: Utiliza complejos simpliciales y Laplacianos de Hodge, pero puede tener dificultades para distinguir regiones donde las características topológicas emergen en diferentes escalas de filtración.
• Topological k-Means (TKM): Embebe diagramas de persistencia en Espacios de Hilbert de Núcleo Reproductor (RKHS), pero se centra en resúmenes topológicos globales en lugar de una topología localizada y multiescala.

El desafío central abordado por este trabajo es la necesidad de un algoritmo de agrupamiento que pueda capturar simultáneamente la proximidad geométrica local y las estructuras topológicas de dimensiones superiores de una manera multiescala, sin depender únicamente de resúmenes de persistencia globales o escalas topológicas fijas.

2. Metodología: Algoritmo BFTC

El método propuesto, Agrupamiento Topológico basado en la Filtración de Números de Betti (BFTC), construye una estructura de similitud consciente de la topología a través de los siguientes pasos:

A. Construcción del Grafo de Vecindad

El algoritmo comienza construyendo un grafo de vecindad local para el conjunto de datos $X$. Soporta dos variantes:

1. k-NN BFTC: Utiliza un grafo de k-vecinos más cercanos para asegurar una cardinalidad uniforme y una dispersión controlada.
2. $\epsilon$-BFTC: Utiliza un grafo de vecindad $\epsilon$ basado en un radio geomético fijo, alineándose naturalmente con las construcciones de umbral métrico.

B. Filtración de Vietoris-Rips Local y Secuencias de Betti

Para cada punto de datos $x_i$, el algoritmo construye una serie de complejos de Vietoris-Rips (VR) anidados sobre su vecindad local $N(x_i) \cup \{x_i\}$.

• Se define una escala de filtración mediante una secuencia de umbrales $\epsilon_1, \epsilon_2, \dots, \epsilon_L$.
• Para cada escala, se forma el complejo VR $VR(x_i, \epsilon_l)$.
• Números de Betti: El algoritmo calcula los números de Betti $\beta_m$ hasta una dimensión máxima $M$ especificada por el usuario (donde $M$ refleja la complejidad topológica intrínseca, no necesariamente la dimensión del espacio ambiente).
• Secuencias de Betti: Para cada dimensión $m \in [0, M]$, la secuencia de números de Betti a través de las escalas de filtración forma una secuencia de Betti $\beta^{(i)}_m = (\beta^{(i)}_{1m}, \dots, \beta^{(i)}_{Lm})$. Estas secuencias sirven como firmas topológicas multiescala de la vecindad local.

C. Similitud Consciente de la Topología y Refinamiento del Grafo

El algoritmo cuantifica la similitud topológica entre puntos vecinos comparando sus secuencias de Betti.

• Métrica de Similitud: Se calcula la similitud de coseno entre las secuencias de Betti de los puntos adyacentes $x_i$ y $x_j$ para cada dimensión $m$:
  $$(d_{ij})_m = \frac{\langle \beta^{(i)}_m, \beta^{(j)}_m \rangle}{\|\beta^{(i)}_m\| \|\beta^{(j)}_m\|}$$
• Eliminación de Outliers: Se aplica un conjunto de umbrales $\alpha_0, \dots, \alpha_M$. Un vecino $x_j$ se retiene en la vecindad refinada $N'(x_i)$ solo si $(d_{ij})_m \geq \alpha_m$ para todas las dimensiones $m$. Este paso elimina vecinos topológicamente disímiles y valores atípicos, resultando en un grafo más disperso e informativo.

D. Clustering Espectral

Se construye una matriz de adyacencia simétrica ponderada $A'$ a partir del grafo refinado utilizando un kernel gaussiano. Se calcula la matriz Laplaciana $L' = D' - A'$, y se aplica el clustering espectral (mediante k-Means sobre los autovectores de los $p$ autovalores más pequeños) para obtener los grupos finales.

3. Principales Contribuciones

El artículo describe tres contribuciones primarias:

1. Nuevo Algoritmo (BFTC): Un algoritmo de agrupamiento eficiente que construye complejos de Vietoris-Rips sobre vecindades locales y evalúa los números de Betti hasta una dimensión prescrita. Utiliza secuencias de Betti para medir la similitud topológica, yendo más allá de la simple conectividad ($\beta_0$) para capturar características de dimensiones superiores.
2. Efectividad en Estructuras Complejas: El método está diseñado específicamente para manejar conjuntos de datos con formas y estructuras complejas e entrelazadas, aprovechando sus características topológicas subyacentes.
3. Análisis Teórico: El artículo proporciona amplios fundamentos teóricos respecto a la convergencia y estabilidad de BFTC. Establece que, bajo condiciones razonables de separación geométrica y espectral, el algoritmo es estructuralmente estable; pequeñas perturbaciones en los datos de entrada no alteran el agrupamiento resultante (salvo permutación de etiquetas).

4. Resultados Experimentales

Los autores evaluaron BFTC (tanto las variantes k-NN como $\epsilon$) frente a bases de comparación de vanguardia (k-Means, Spectral, DBSCAN, ToMATo, TPCC, TKM, etc.) en conjuntos de datos sintéticos y del mundo real.

• Conjuntos de Datos Sintéticos: En conjuntos de datos con estructuras no convexas y entrelazadas (por ejemplo, Linked Tori, 3MC, Smile1, Torus Sphere Line), BFTC alcanzó consistentemente puntuaciones superiores de Índice de Rand Ajustado (ARI) e Información Mutua Normalizada (NMI). Por ejemplo, en el conjunto de datos Linked Tori con ruido ($\rho=0.3$), k-NN BFTC logró un ARI de 0.49 y un NMI de 0.56, superando significativamente a competidores como DBSCAN (0.01 ARI) y ToMATo (0.17 ARI).
• Conjuntos de Datos del Mundo Real: Los experimentos con conjuntos de datos de UCI (Zoo, Ecoli, Wisconsin B.C., Glass, ORHD, MNIST, Phishing URL) demostraron que BFTC superó a casi todos los contendientes.
• Robustez: El método mostró estabilidad frente a perturbaciones de ruido Gaussiano.
• Estudios de Ablación:
  • Construcción de Vecindad: Tanto las vecindades k-NN como las $\epsilon$ resultaron efectivas, aunque k-NN ofreció un comportamiento espectral más suave para variedades altamente entrelazadas.
  • Métricas de Distancia: La similitud de coseno entre secuencias de Betti resultó ser significativamente más efectiva que la distancia Euclídea para capturar relaciones topológicas.
  • Funciones de Kernel: La inclusión de un kernel Gaussiano en la matriz de adyacencia mejoró el rendimiento en comparación con grafos no ponderados.

5. Significado y Reivindicaciones

El artículo afirma que BFTC representa un avance significativo al integrar la información topológica multiescala directamente en el proceso de agrupamiento. A diferencia de métodos anteriores que dependen de resúmenes de persistencia globales o escalas fijas, BFTC captura la topología multiescala localizada a través de secuencias de Betti.

Los autores aseguran que este enfoque permite al algoritmo:

• Distinguir regiones de una variedad donde las características topológicas emergen en diferentes escalas de filtración.
• Capturar simultáneamente la proximidad geométrica y las estructuras topológicas de dimensiones superiores (bucles, vacíos).
• Proporcionar una solución robusta para conjuntos de datos con estructuras complejas, no convexas y entrelazadas donde los métodos tradicionales basados en la distancia Euclídea fallan.

El análisis teórico respalda además los resultados empíricos, afirmando que BFTC no solo es computacionalmente finito, sino también estructuralmente estable, asegurando que el flujo de trabajo de agrupamiento sea localmente invariante a pequeñas perturbaciones en los datos de entrada. El trabajo concluye que la exploración de aspectos topológicos para conjuntos de datos a gran escala con estructuras complejas superpuestas sigue siendo una dirección prometedora para la investigación futura.