MCbiF: Measuring Topological Autocorrelation in Multiscale Clusterings via 2-Parameter Persistent Homology

El artículo presenta MCbiF, una herramienta de análisis topológico de datos que utiliza la homología persistente de dos parámetros para cuantificar la autocorrelación topológica en secuencias de particiones no jerárquicas, demostrando su superioridad como mapa de características interpretables en tareas de aprendizaje automático y su aplicación a patrones de agrupación social en ratones salvajes.

Lo esencial

¡Hola! Imagina que estás intentando entender cómo se organizan las cosas en tu vida, pero no de una sola manera, sino viendo cómo esa organización cambia con el tiempo y a diferentes niveles de detalle.

Esta investigación, presentada en la conferencia ICLR 2026, introduce una herramienta matemática llamada MCBIF (Bifiltración de Agrupamiento Multiescala). Suena complejo, pero vamos a desglosarlo con analogías sencillas.

1. El Problema: La vida no es un árbol, es una red

Imagina que quieres describir cómo se agrupan tus amigos.

• El método antiguo (Jerárquico): Es como un árbol genealógico. Empiezas con todos solos, luego se juntan de dos en dos, luego esos grupos se unen, y así hasta formar un solo grupo gigante. Es ordenado, predecible y fácil de dibujar.
• La realidad (No jerárquico): En la vida real, las cosas son más caóticas. Tus amigos pueden formar un grupo para ir al cine el lunes, otro grupo para jugar fútbol el martes, y el miércoles esos mismos amigos se mezclan de forma diferente. A veces, un grupo se divide, a veces se fusionan dos grupos que ya existían, y a veces la gente cambia de grupo sin seguir un orden lógico.

Los métodos tradicionales fallan aquí porque intentan forzar esa realidad caótica a un "árbol" rígido. Necesitamos una nueva forma de ver estas "nubes" de grupos que cambian.

2. La Solución: El "Mapa de Flujo" Mejorado (Sankey)

Para visualizar estos cambios, los autores usan algo llamado Diagrama de Sankey.

• La analogía: Imagina un diagrama de flujo donde las líneas gruesas representan grupos de personas. Si el grupo "Amigos de la Universidad" se divide en "Amigos de la Facultad de Derecho" y "Amigos de Ingeniería", verás una línea que se bifurca.
• El problema: Si los grupos se cruzan de formas extrañas (ej. "Amigos de la Facultad" se juntan con "Amigos de Ingeniería" pero también con "Amigos de la Vecindad"), las líneas se cruzan y se enredan. Contar estos cruces es difícil y no nos dice por qué se enredaron.

3. La Magia: MCBIF (El "Detector de Enredos Topológicos")

Aquí es donde entra la MCBIF. Imagina que en lugar de solo mirar el diagrama de flujo plano, le damos "profundidad" y "memoria".

La MCBIF es como una máquina de rayos X que escanea la historia de los grupos desde dos ángulos a la vez:

1. Desde cuándo miramos: ¿Empezamos a observar desde el principio de la historia o desde la mitad?
2. Hasta cuándo miramos: ¿Hasta qué punto en el tiempo llegamos?

Al hacer esto, la herramienta construye una estructura matemática (un "complejo simplicial") que captura no solo quiénes están juntos, sino cómo se intersectan sus historias.

4. ¿Qué nos dice esta máquina? (Los "Conflictos")

La MCBIF detecta dos tipos de "problemas" o "enredos" que los métodos antiguos no ven:

• Conflicto Nivel 0 (El "Rompecabezas Roto"):

  • Analogía: Imagina que tienes piezas de un rompecabezas. En un sistema ordenado, la pieza A siempre encaja dentro de la pieza B. En un sistema caótico, a veces la pieza A encaja en B, pero luego B se rompe y A encaja en C, y nunca hay una "pieza madre" que contenga a todas.
  • Qué mide: La herramienta cuenta cuántas veces la historia de los grupos no tiene un orden lógico. Si hay muchos "conflictos nivel 0", significa que la organización es muy desordenada y no sigue una jerarquía simple.

• Conflicto Nivel 1 (El "Círculo Vicioso"):

  • Analogía: Imagina un triángulo de amigos: Ana y Beto son amigos, Beto y Carla son amigos, pero Ana y Carla nunca se han conocido. Sin embargo, en otro momento, Ana y Carla se juntan. Esto crea un "bucle" o un "agujero" en la red de relaciones.
  • Qué mide: La herramienta detecta estos agujeros topológicos. Es como ver un donut: tiene un agujero en el medio. En los datos, estos "agujeros" significan que hay inconsistencias de alto orden: grupos que se mezclan de formas que no se pueden explicar simplemente con un árbol.

5. ¿Para qué sirve esto en la vida real?

Los autores probaron su herramienta en dos situaciones:

1. Diseño de Gráficos: Intentaron predecir qué tan "enredado" sería un diagrama de flujo (Sankey). La MCBIF fue mucho mejor que otros métodos para decir: "Oye, este gráfico va a tener muchos cruces feos".
2. Comportamiento de Ratones: Analizaron datos reales de ratones salvajes. Vieron cómo se agrupaban socialmente a lo largo de las semanas.
   • Descubrieron que, dependiendo de la "resolución" del tiempo (mirar segundo a segundo vs. día a día), la estructura social de los ratones parecía muy diferente.
   • La herramienta les dijo: "En este momento, los ratones tienen una estructura social muy estable y ordenada (pocos agujeros)", mientras que en otros momentos, su comportamiento era caótico y cambiante.

En Resumen

La MCBIF es como un traductor topológico. Convierte el caos de los grupos que cambian con el tiempo en números claros que nos dicen:

• ¿Qué tan desordenada es la historia?
• ¿Dónde están los "agujeros" lógicos en las relaciones?
• ¿Podemos predecir cómo se comportarán estos grupos en el futuro?

Es una forma de decirle a la computadora: "No solo cuéntame quiénes están juntos, cuéntame la historia de cómo se han movido y enredado entre ellos". Y lo hace tan bien que supera a las técnicas de aprendizaje automático más modernas en tareas de clasificación y predicción.

Resumen técnico

1. Planteamiento del Problema

Muchos conjuntos de datos en el mundo real poseen una estructura intrínseca multiescala, donde las descripciones significativas existen en diferentes niveles de granularidad o resolución. Ejemplos incluyen patrones de movilidad, comunidades en redes sociales, agrupaciones de datos de células individuales y estructuras funcionales en proteínas.

El desafío principal es analizar y comparar secuencias de particiones (clustering) que son multiescala pero no necesariamente jerárquicas.

• Limitación de los métodos actuales: Las descripciones multiescala tradicionales suelen basarse en agrupamiento jerárquico (dendrogramas), donde las particiones forman una cadena de refinamiento estricta. Sin embargo, en aplicaciones como el clustering temporal, la modelación de temas o métodos basados en difusión, las secuencias de particiones pueden ser no jerárquicas (las agrupaciones pueden dividirse y volver a unirse, o cruzarse de manera compleja).
• Deficiencia de las métricas existentes: Métodos como los ultramétricos (válidos solo para jerarquías) o medidas basadas en información (como el Índice Rand Ajustado o Entropía Condicional) se limitan a comparaciones por pares de particiones. No pueden capturar inconsistencias de orden superior o efectos de memoria a lo largo de la secuencia temporal.

2. Metodología Propuesta: MCbiF

Los autores introducen el Bifiltración de Agrupamiento Multiescala (MCbiF, por sus siglas en inglés), una herramienta basada en el Análisis Topológico de Datos (TDA) y la Homología Persistente Multiparamétrica (MPH).

Definición del MCbiF

Dada una secuencia de particiones $\theta: [t_1, \infty) \to \Pi_X$ parametrizada por una escala $t$, el MCbiF se define como una bifiltración de complejos simpliciales abstractos $M = (K_{s,t})_{t_1 \le s \le t}$, donde:
$$K_{s,t} := \bigcup_{t_1 \le s \le r \le t} \bigcup_{C \in \theta(r)} \Delta_C$$

• Cada cluster $C$ en una partición $\theta(r)$ se representa como un símplice sólido $\Delta_C$.
• El complejo $K_{s,t}$ agrupa todos los clusters desde la escala de inicio $s$ hasta la escala final $t$.
• Un $k$-símplice en $K_{s,t}$ existe si sus elementos han sido asignados al mismo cluster en al menos un momento dentro del intervalo $[s, t]$.

Interpretación Topológica

El MCbiF codifica los patrones de intersección de los clusters a través de todas las escalas. Se puede interpretar como una extensión de orden superior de los diagramas de Sankey:

• Mientras que un diagrama de Sankey solo registra intersecciones por pares entre particiones consecutivas, el MCbiF captura intersecciones de orden superior entre subsecuencias de particiones.
• Para el caso jerárquico, el MCbiF se reduce a un dendrograma.

Invariantes Algebraicos

Aplicando Homología Persistente Multiparamétrica (MPH) al MCbiF, los autores demuestran que el módulo resultante es:

1. Finitamente presentado.
2. Descomponible en bloques (block-decomposable).
3. Estable bajo pequeñas perturbaciones.

Esto permite utilizar las Funciones de Hilbert $HF_k(s, t)$ como invariantes estables y computacionalmente eficientes.

• $HF_0(s, t)$: Cuenta el número de componentes conectados. Mide la falta de un máximo en el subconjunto de particiones respecto al orden de refinamiento (conflictos de orden 0).
• $HF_1(s, t)$: Cuenta el número de agujeros 1-dimensionales (ciclos no acotados). Mide inconsistencias de orden superior en la asignación de clusters a través de escalas (conflictos de orden 1).

3. Contribuciones Clave

1. Invariante Completo para Secuencias No Jerárquicas: El MCbiF es un invariante completo de secuencias de particiones (no necesariamente jerárquicas), capturando la "autocorrelación topológica" de la secuencia.
2. Detección de Conflictos de Orden Superior:
   • Conflictos 0 ($HF_0$): Detectan la ausencia de una partición máxima en un intervalo, violando la estructura de refinamiento.
   • Conflictos 1 ($HF_1$): Detectan inconsistencias cíclicas (ej. $A$ se une a $B$, $B$ a $C$, pero $C$ no se une a $A$ en ningún momento común), que rompen la transitividad y la jerarquía.
3. Construcción basada en el Nervio (Nerve-based): Se propone una construcción equivalente basada en el "nervio" de los clusters, que es computacionalmente más eficiente cuando el número de escalas es menor que el tamaño de los clusters, y se interpreta como una extensión de orden superior de los diagramas de Sankey.
4. Mapas de Características Interpretables: Las funciones de Hilbert se utilizan como mapas de características para tareas de aprendizaje automático, ofreciendo interpretabilidad teórica (relacionada con la topología) en lugar de ser "cajas negras".

4. Resultados Experimentales

Los autores evaluaron el MCbiF en tres escenarios:

A. Tarea de Regresión: Minimización de Cruces en Diagramas de Sankey

• Objetivo: Predecir el número mínimo de cruces ($\kappa_\theta$) en la disposición de un diagrama de Sankey (un problema NP-completo).
• Resultados: Los modelos entrenados con las características $HF_0$ y $HF_1$ del MCbiF superaron significativamente a:
  • Métodos de aprendizaje de representación (Raw label encoding, GCN sobre gráficos de Sankey).
  • Líneas base tradicionales (ARI, MOD, Entropía Condicional).
  • Hallazgo: La combinación de $HF_0$ y $HF_1$ logró puntuaciones $R^2$ de 0.54, superando al mejor modelo de línea base (0.49) y a las redes neuronales gráficas. Esto demuestra que los invariantes topológicos capturan propiedades globales del diagrama mejor que los enfoques locales o de aprendizaje profundo puro.

B. Tarea de Clasificación: Secuencias que Preservan el Orden

• Objetivo: Clasificar si una secuencia de particiones es "preservadora de orden" (compatible con un orden total en el conjunto de datos).
• Resultados:
  • Las métricas de consenso tradicionales (VI, ARI, MOD) y el codificado de etiquetas crudas no lograron distinguir entre secuencias preservadoras y no preservadoras (precisión ~0.50, equivalente a adivinar).
  • El uso de $HF_1$ logró una precisión del 97%.
  • Interpretación: Las secuencias que no preservan el orden generan inevitablemente conflictos de orden 1 (ciclos topológicos) que son detectados por la homología, mientras que las métricas basadas en pares no pueden ver estas estructuras cíclicas globales.

C. Aplicación a Datos Reales: Agrupación Social de Ratones Salvajes

• Datos: Secuencias temporales de interacciones sociales de ratones domésticos libres durante 9 semanas.
• Análisis: Se compararon secuencias de particiones a diferentes resoluciones temporales ($\tau$).
• Hallazgos:
  • El MCbiF identificó tres regímenes temporales distintos con diferentes grados de no-jerarquía.
  • Una resolución específica ($\tau_4 = 60s$) mostró la estructura más jerárquica (bajos valores de conflicto 0 y 1), actuando como un "punto óptimo" entre resoluciones bajas y altas.
  • Se detectó que la resolución de alta frecuencia ($\tau_8$) revelaba grupos sociales estables, mientras que la baja frecuencia ($\tau_2$) mostraba una estructura altamente no jerárquica debido a la ruptura de grupos a gran escala.
  • El método también cuantificó la reversibilidad temporal de los flujos sociales.

5. Significado e Impacto

• Más allá de la Jerarquía: El trabajo proporciona el primer marco teórico riguroso para analizar secuencias de clustering que no siguen una estructura de árbol, un problema común en datos temporales y dinámicos.
• Interpretabilidad en IA: Al basarse en la topología algebraica, las características extraídas (funciones de Hilbert) tienen una semántica clara (medición de inconsistencias y memoria), lo cual es crucial para la IA explicable (XAI).
• Superioridad sobre el Aprendizaje Profundo: En tareas específicas de estructura de datos, los invariantes topológicos demostraron ser más efectivos y eficientes que arquitecturas complejas de redes neuronales (GCN, CNN), sugiriendo que incorporar conocimiento de dominio estructural es vital.
• Herramienta General: El MCbiF es independiente del algoritmo de clustering utilizado para generar las particiones, lo que lo hace aplicable a cualquier secuencia de particiones no jerárquica.

En resumen, el artículo establece que la autocorrelación topológica medida a través de la homología persistente multiparamétrica es una métrica superior para entender, comparar y utilizar secuencias de agrupamiento complejas y no jerárquicas en comparación con las métricas estadísticas o de aprendizaje profundo tradicionales.