📊 statistics

Prototype Selection Using Topological Data Analysis

Este artículo presenta dos métodos de selección de prototipos basados en el análisis de datos topológicos, TPS y BoundaryTPS, los cuales aprovechan las estructuras de persistencia multiescala para preservar eficazmente los límites de decisión y las proporciones de clase, demostrando al mismo tiempo una estabilidad superior y características operativas distintas en comparación con los modelos clásicos existentes.

Autores originales: Jordan Eckert, Elvan Ceyhan, Henry Schenck

Publicado 2026-06-02

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jordan Eckert, Elvan Ceyhan, Henry Schenck

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de enseñarle a un robot a reconocer diferentes tipos de fruta. Tienes una caja enorme con 10,000 manzanas, naranjas y plátanos. Si le muestras al robot cada pieza de fruta, tardará una eternidad en aprender, y podría confundirse con algunas piezas golpeadas o de formas extrañas (ruido).

La Selección de Prototipos es el arte de elegir un puñado pequeño y "perfecto" de frutas representativas de esa caja gigante para enseñarle al robot. El objetivo es mantener al robot inteligente pero hacerlo rápido.

Durante mucho tiempo, los científicos han tenido diferentes formas de elegir este puñado:

El "Limpiador": Desecha la fruta golpeada.
El "Agrupador": Elige la fruta de apariencia promedio de un grupo.
El "Optimizador": Intenta encontrar los pocos elementos matemáticamente perfectos.

Pero estos métodos ven la fruta simplemente como puntos en el espacio. No entienden la forma del problema; específicamente, dónde terminan las manzanas y dónde empiezan las naranjas (el "límite de decisión").

La Nueva Idea: Análisis de Datos Topológicos (TDA)

Este artículo presenta dos nuevos métodos, TPS y BoundaryTPS, que utilizan una rama de las matemáticas llamada Análisis de Datos Topológicos.

Piensa en el TDA no como mirar frutas individuales, sino como mirar la forma de todo el montón.

Si tienes un montón de fruta con un agujero en el medio (como la forma de una dona), el TDA ve el "bucle" o el "agujero".
Si la fruta es solo una masa sólida, el TDA ve una "masa sólida".

Los autores argumentan que la parte más importante del aprendizaje es el límite (el boundary), el borde desordenado y complejo donde una clase de fruta se convierte en otra. Sus nuevos métodos están diseñados específicamente para preservar la forma de estos bordes.

Los Dos Nuevos Métodos

1. BoundaryTPS (El "Guardia de la Frontera")

Cómo funciona: Imagina que estás custodiando una frontera entre dos países. Quieres mantener a las personas que viven justo en la línea fronteriza porque ellas conocen mejor el terreno. No te importan tanto las personas que viven en lo profundo del país.
El truco: Este método asigna un "peso" a cada punto de datos. Los puntos cerca del límite de decisión reciben un "peso bajo" (entran en el proceso de selección temprano). Los puntos en lo profundo de una clase reciben un "peso alto" (se retrasan).
El resultado: Filtra los datos para que el puñado final de prototipos esté compactado estrechamente alrededor de los límites de decisión, preservando la forma compleja del borde.

2. TPS (El "Explorador de Dos Pasos")

Cómo funciona: Este método toma un enfoque de dos pasos.
- Paso 1: Observa el límite entre las clases (como mezclar manzanas y naranjas) para encontrar los puntos del "borde".
- Paso 2: Observa a los supervivientes del Paso 1 y selecciona los puntos "típicos" que representan el centro de los montones de fruta.
El resultado: Te da un equipo equilibrado: algunos expertos en los bordes complicados y otros expertos en el interior típico y seguro.

¿Qué Descubrieron?

Los autores probaron estos nuevos métodos contra siete métodos clásicos antiguos utilizando 15 conjuntos de datos del mundo real (como registros médicos, imágenes satelitales y análisis químicos de vino). Esto fue lo que sucedió:

Preservación de la Forma (La "Prueba del Mapa"):
- Si tomas el mapa de una ciudad y eliminas la mayoría de las calles, quieres asegurarte de que aún puedas ver los principales bucles y vecindarios.
- BoundaryTPS fue el mejor en mantener intactos los "bucles" y "agujeros" de los datos originales. Preservó la forma topológica mejor que cualquier otro método probado.
- TPS fue un segundo lugar cercano.
- Los métodos antiguos a menudo aplanaban estas formas, perdiendo la estructura compleja de los datos.
Estabilidad (La "Prueba de la Repetibilidad"):
- Si barajas los datos ligeramente (como repartir un mazo de cartas de forma diferente), ¿elegirás el mismo puñado de prototipos?
- TPS fue el más estable. Eligió casi las mismas personas cada vez, incluso cuando los datos cambiaban ligeramente.
- Muchos de los métodos antiguos eran "saltarines", eligiendo conjuntos de personas totalmente diferentes solo porque los datos se mezclaron un poco.
Desempeño (La "Prueba de la Calificación de Examen"):
- ¿Hicieron estos nuevos métodos al robot más inteligente?
- Sorpresa: Fueron competitivos, pero no los ganadores absolutos. Los métodos antiguos (como K-Means o SPOTGreedy) a menudo obtenían puntuaciones de examen ligeramente más altas.
- Sin embargo, los nuevos métodos fueron muy buenos manejando datos desbalanceados (donde una clase de fruta es rara). No descartaron accidentalmente las frutas raras.
Velocidad:
- Ambos nuevos métodos son rápidos. Escalan bien, lo que significa que no se vuelven exponencialmente más lentos a medida que el conjunto de datos se agranda.

La Conclusión

Este artículo no afirma que estos nuevos métodos siempre te darán la calificación de examen más alta. En su lugar, afirma que ofrecen un tipo de valor diferente:

Son más estables (obtienes el mismo resultado cada vez).
Son mejores preservando la forma de los límites de tus datos.
Manejan naturalmente los datos desbalanceados sin necesidad de trucos especiales.

Si necesitas un método de reducción de conjuntos de datos que sea confiable, preserve la geometría compleja de tus datos y no se confunda por pequeños cambios en la entrada, estos métodos topológicos son una nueva herramienta poderosa en la caja de herramientas.

Resumen Técnico: Selección de Prototipos mediante Análisis de Datos Topológicos

Planteamiento del Problema
Los procesos de clasificación modernos suelen enfrentarse a cuellos de botella donde el tamaño del conjunto de entrenamiento, en lugar del coste de una única predicción, domina el tiempo de inferencia. Mientras que los modelos paramétricos (p. ej., SVM, Random Forests) trasladan la carga al tiempo de entrenamiento, estos siguen escalando con el número de instancias de entrenamiento. La selección de prototipos aborda esto comprimiendo el conjunto de entrenamiento en un subconjunto pequeño y representativo. Las taxonomías existentes de selección de prototipos —incluyendo las familias de condensación, edición, híbrida, basada en competencia y basada en agrupamiento (clustering)— operan sin una representación explícita de la estructura topológica de los datos. En consecuencia, la geometría de las fronteras de decisión entre clases, que puede exhibir estructuras complejas a través de múltiples escalas espaciales, se captura solo de forma implícita. Este artículo aborda la brecha en la utilización de la estructura topológica multiescala de los datos como un criterio directo para la selección de prototipos.

Metodología
Los autores introducen dos variantes de un Selector de Prototipos Topológicos (TPS, por sus siglas en inglés) que utilizan la homología persistente, una herramienta central del Análisis de Datos Topológicos (TDA), para identificar y retener prototipos. Ambos métodos dependen de la filtración de Rips, pero difieren en cómo codifican la información de la frontera:

Selector de Prototipos Topológicos Consciente de la Frontera (BoundaryTPS):
- Mecanismo: Es un método de una sola etapa que utiliza una filtración de Rips con pesos en los vértices. Asigna pesos a los puntos de la clase objetivo basados en su proximidad a las clases no objetivo (específicamente, la suma de las distancias a los $k$ vecinos más cercanos de la clase no objetivo).
- Proceso: Los puntos cercanos a la frontera de decisión reciben pesos bajos y entran en la filtración prematuramente, mientras que los puntos interiores reciben pesos altos y se retrasan. Esto asegura que la topología de la región de la frontera se resuelva a escalas más finas.
- Selección: Los prototipos se seleccionan identificando características de persistencia en un cuantil específico de la distribución de la vida útil (lifetime distribution). Un parámetro de tolerancia $\tau$ permite la selección de una ventana de características alrededor del cuantil objetivo para mejorar la robustez.
Selector de Prototipos Topológicos (TPS):
- Mecanismo: Es un método de dos etapas que codifica la información de la frontera de forma implícita mediante la construcción de una nube de puntos mixta que contiene tanto observaciones de la clase objetivo como de la no objetivo.
- Etapa 1 (Vecindario de la Frontera): Se construye una filtración de Rips estándar sobre la nube mixta para capturar la estructura topológica entre clases. Las características se seleccionan basándose en un cuantil de la distribución de la vida útil, y se retienen los puntos de la clase objetivo supervivientes.
- Etapa 2 (Interior): Se construye una segunda filtración de Rips sobre los supervivientes de la Etapa 1 para capturar la topología intra-clase. Las características se seleccionan basándose en la vida útil media para retener muestras típicas del interior.
- Resultado: El conjunto final combina puntos relevantes de la frontera de la Etapa 1 con puntos de soporte del interior de la Etapa 2.

Contribuciones Clave

Criterio Novedoso: El artículo introduce la homología persistente como un criterio de selección de prototipos, una capacidad que no se había utilizado previamente en este dominio.
Realizaciones Duales: Presenta TPS y BoundaryTPS, demostrando que la codificación de la información de la frontera mediante filtraciones de clases mixtas (TPS) frente a los pesos de los vértices (BoundaryTPS) conduce a especializaciones empíricamente diferentes.
Evaluación Exhaustiva: Ambos métodos son evaluados frente a siete bases clásicas (CNN, CNN+ENN, DROP3, ICF, IB3, KMeans, SPOTGreedy) en quince conjuntos de datos del mundo real y seis clasificadores descendentes bajo validación cruzada anidada.
Preservación Topológica: El estudio demuestra que los métodos topológicos preservan la estructura del diagrama de persistencia $H_1$ significativamente mejor que los métodos basados en densidad o en decisiones encadenadas.
Estabilidad: Ambos métodos exhiben una mayor estabilidad de selección (medida por la similitud de Jaccard entre pliegues o folds) que cualquier selector de decisiones encadenadas probado.
Desequilibrio de Clases: Los métodos heredan las proporciones de clase del conjunto de origen sin requerir maquinaria sensible a las etiquetas.

Resultados

Fidelidad Topológica: BoundaryTPS logra el rango de Friedman medio más bajo (2.00) en la distancia de Wasserstein-1 de $H_1$ , superando significativamente a cinco de las siete bases. TPS ocupa el tercer lugar (3.60). Ambos métodos se agrupan en la parte superior del espectro de rendimiento para la preservación de estructuras de bucles ( $H_1$ ), mientras que los métodos clásicos a menudo suavizan estas características.
Estabilidad de Selección: TPS logra la mayor similitud de Jaccard media (0.225) entre los pliegues, seguido de BoundaryTPS (0.202). Ambos son significativamente más estables que los métodos de decisión encadenada como CNN+ENN (0.057) y DROP3 (0.080).
Rendimiento de Clasificación: En el promedio agregado de la Media Geométrica (G-Mean), los métodos topológicos son competitivos pero no líderes. SPOTGreedy y KMeans logran el G-Mean agregado más alto (0.84). TPS y BoundaryTPS alcanzan 0.79 y 0.76, respectivamente. El artículo señala que, si bien no dominan la precisión de clasificación bruta, ofrecen un punto de operación distinto en el espacio de diseño, particularmente en cuanto a la preservación estructural y la estabilidad.
Escalabilidad: Empíricamente, ambos métodos escalan de forma sub-cuadrática respecto al tamaño de la muestra.

Significación y Reivindicaciones
El artículo sostiene que la principal significación de este trabajo reside en cambiar el paradigma de la selección de prototipos de meros heurísticos geométricos o estadísticos hacia un marco fundamentado en invariantes topológicos multiescala. Los autores argumentan que, si bien los métodos existentes asumen implícitamente un principio de proximidad a la frontera, fallan al resolver la compleja estructura multiescala de las fronteras de decisión. Al utilizar explícitamente la homología persistente, los métodos propuestos ofrecen una forma fundamentada de retener los puntos que definen la "forma" topológica de los datos, particularmente los bucles y las fronteras que a menudo se pierden en la reducción basada en densidad.

Los autores caracterizan los resultados de forma modesta: los métodos topológicos no superan universalmente a las bases existentes en la precisión de clasificación descendente (G-Mean), pero ocupan una región única y valiosa del espacio de diseño al ofrecer una preservación topológica y una estabilidad de selección superiores. El trabajo sugiere que, para aplicaciones donde la integridad estructural de la frontera de decisión o la reproducibilidad del proceso de selección son primordiales, los criterios topológicos proporcionan una alternativa distinta y efectiva a los enfoques clásicos.