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

Este artículo introduce el Índice de Estabilidad Topológica (TSI), una medida escalar basada en la varianza para los códigos de barras de persistencia que cuantifica la dispersión absoluta de las vidas útiles y complementa los resúmenes basados en entropía al capturar la variabilidad estructural en las fluctuaciones estocásticas mientras permanece insensible a las tendencias deterministas.

Lo esencial

Imagina que eres un detective tratando de entender la forma de un objeto misterioso observando su "huella dactilar". En el mundo de la ciencia de datos, esta huella dactilar se llama código de barras de persistencia. Es una lista de líneas (o "barras") donde la longitud de cada línea te dice cuánto dura una característica específica (como un agujero o un bucle) a medida que haces zoom dentro y fuera de tus datos.

Durante mucho tiempo, los científicos tuvieron una herramienta llamada Entropía Persistente para resumir estos códigos de barras. Piensa en la Entropía Persistente como un chef que prueba una sopa y solo le importa la proporción de ingredientes. Si tienes una sopa con 1 parte de sal y 99 partes de agua, o una sopa con 10 partes de sal y 990 partes de agua, la proporción es la misma. El chef dice: "Esto sabe igual".

Pero, ¿y si el tamaño de la sopa importa? ¿Y si una olla es una taza diminuta y la otra es una bañera gigante? La proporción es la misma, pero la experiencia es totalmente diferente. Las herramientas antiguas no podían distinguir entre una sopa pequeña y uniforme y una masiva y caótica.

Este artículo introduce una nueva herramienta llamada Índice de Estabilidad Topológica (TSI) para solucionar eso.

Las Nuevas Herramientas: TSI y TSigI

Los autores proponen un sistema de dos partes para describir un código de barras, como describir a una multitud de personas por su altura promedio y su variedad de alturas.

1. El Índice de Señal Topológica (TSigI): La "Altura Promedio"

   • Qué es: Esto mide el tamaño típico de las barras.
   • La Analogía: Imagina un grupo de personas. El TSigI te dice la altura promedio del grupo. Si todos miden 6 pies, el promedio es 6. Si tienes un gigante y muchas personas diminutas, el promedio podría seguir siendo 6, pero no cuenta toda la historia. Captura la "fuerza de la señal" o la escala general de las características.

2. El Índice de Estabilidad Topológica (TSI): La "Varianza de la Altura"

   • Qué es: Esto mide qué tan dispersas están las longitudes de las barras. Calcula la varianza (la dispersión estadística).
   • La Analogía: Volvamos a la multitud.
     • Escenario A: Todos miden exactamente 6 pies. La "dispersión" es cero. El TSI es bajo.
     • Escenario B: Tienes una persona que mide 7 pies y otra que mide 5 pies. El promedio sigue siendo 6, pero el grupo está "desordenado" o es "heterogéneo". El TSI es alto.
   • Por qué importa: El TSI es sensible a las diferencias absolutas. Puede decirte si un código de barras tiene unas pocas características enormes y dominantes y muchas diminutas (TSI alto), frente a un código de barras donde todas las características tienen aproximadamente el mismo tamaño (TSI bajo).

La Conexión Secreta: La Versión "Normalizada"

Los autores también crearon una versión "normalizada" llamada cvTSI.

• La Analogía: Imagina que quieres comparar el "desorden" de un charco pequeño con un océano masivo. No puedes medir simplemente la dispersión cruda de las olas porque el océano es naturalmente más grande. Tienes que normalizarlo.
• El Vínculo Mágico: El artículo demuestra que este desorden normalizado (cvTSI) está matemáticamente vinculado a un concepto de la teoría de la información llamado Entropía de Rényi.
  • Piensa en ello como dos idiomas diferentes describiendo la misma historia. Un idioma (Entropía) usa logaritmos para comprimir la historia, mientras que el otro (cvTSI) usa una línea recta (varianza). Ambos te dicen lo mismo sobre la distribución de las barras, pero enfatizan detalles diferentes. El artículo muestra que puedes traducir perfectamente entre ellos.

Lo que Mostraron los Experimentos

Los autores probaron estas herramientas en datos sintéticos (como formas generadas por computadora y series temporales aleatorias) para ver cómo se comportaban en comparación con las herramientas antiguas.

1. Determinista vs. Aleatorio:

   • Cuando añadieron una tendencia constante y predecible (como una línea recta ascendente) a sus datos, las herramientas antiguas (Entropía) y las nuevas (TSI) no cambiaron mucho. Son buenas ignorando patrones aburridos y predecibles.
   • Sin embargo, cuando añadieron ruido aleatorio (como estática en una radio o sacudir una cámara), el TSI se disparó. Es muy bueno detectar "caos" o fluctuaciones aleatorias. Te dice: "¡Oye, las características están por todas partes!".

2. El Problema de la "Barra Corta":

   • El artículo admite una peculiaridad: Si añades una barra diminuta, casi invisible, a tu lista, el TSI cambia. Es como añadir una persona muy baja a una habitación de gigantes; la "varianza" de la habitación cambia instantáneamente.
   • La antigua herramienta de Entropía es más suave y no le importa tanto añadir una barra diminuta.
   • La Conclusión: El TSI es excelente para ver grandes cambios estructurales y ruido aleatorio, pero es un poco "saltarín" si tus datos tienen muchas características diminutas y ruidosas.

Resumen en Lenguaje Sencillo

• Antigua Forma (Entropía): "¿Qué tan uniformemente están distribuidas las características?" (Ignora el tamaño real).
• Nueva Forma (TSI + TSigI): "¿Qué tan grandes son las características en promedio?" (TSigI) Y "¿Cuánto varían en tamaño?" (TSI).
• El Resultado: Las nuevas herramientas te dan una mejor imagen de la variabilidad estructural. Pueden distinguir entre un sistema que es uniformemente caótico y uno que tiene unas pocas características dominantes mezcladas con ruido. Son particularmente buenas detectando fluctuaciones aleatorias en los datos, algo que las herramientas antiguas a veces pasan por alto.

En resumen, el artículo ofrece a los científicos de datos una nueva regla (TSI) para medir el "desorden" de la forma de sus datos, complementando la antigua regla que solo medía el "equilibrio" de la forma.

Resumen técnico

Resumen Técnico: El Índice de Estabilidad Topológica

Enunciado del Problema

El Análisis Topológico de Datos (TDA) utiliza diagramas de persistencia y códigos de barras para representar la evolución de las características topológicas a través de escalas. Si bien estas representaciones son ricas y estables, su integración con herramientas estadísticas estándar sigue siendo un desafío debido a la falta de una estructura lineal o convexa simple en el espacio de los diagramas de persistencia.

Los resúmenes escalares existentes, como la entropía persistente, abordan esto mapeando los códigos de barras a valores únicos. Sin embargo, la entropía persistente se basa en la distribución normalizada de las duraciones de persistencia (pesos relativos). En consecuencia, es invariante de escala y falla al capturar la dispersión absoluta o las diferencias en la magnitud de las duraciones de persistencia. En muchas aplicaciones, las diferencias absolutas en escala y variabilidad son indicadores significativos de heterogeneidad estructural, pero se pierden en los resúmenes basados en entropía. Existe la necesidad de una medida escalar que cuantifique la dispersión absoluta de las duraciones de persistencia mientras permanece sensible a la heterogeneidad estructural.

Metodología

Los autores introducen el Índice de Estabilidad Topológica (TSI), una medida escalar basada en la varianza definida como la varianza muestral del multiconjunto de las duraciones de persistencia.

1. Definición y Propiedades Principales

Sea $B$ un código de barras de persistencia con $n_B$ barras y duraciones $\ell_i = d_i - b_i$. El TSI se define como:
$$\text{TSI}(B) := \text{Var}(L_B) = \frac{1}{n_B - 1} \sum_{i=1}^{n_B} \left( \ell_i - \frac{L_B}{n_B} \right)^2$$
donde $L_B = \sum \ell_i$ es la persistencia total.

Las propiedades matemáticas clave establecidas incluyen:

• Escala: El TSI escala cuadráticamente ($c^2$) bajo un escalado uniforme de los valores de filtración.
• Invarianza ante Translación: El TSI es invariante bajo una translación uniforme de los tiempos de muerte (desplazando todas las duraciones por una constante), siempre que el número de barras permanezca fijo.
• Caracterización Extremal: Para un número fijo de barras y una persistencia total fija, el TSI se minimiza (cero) cuando todas las duraciones son iguales y se maximiza cuando la persistencia se concentra en una sola barra.
• Fórmulas de Actualización: Se derivan fórmulas recursivas explícitas para el TSI bajo la inserción o eliminación de una barra, mostrando sensibilidad a la desviación de la longitud de la nueva barra respecto a la media existente.
• Estabilidad: Aunque el TSI no es continuo bajo la inserción de barras arbitrariamente cortas (debido a cambios en la normalización del tamaño de la muestra), admite cotas cuantitativas relativas al diagrama vacío y a la distancia de cuello de botella cuando el número de barras está fijo.

2. Índice de Señal Complementario

Para capturar la escala típica de las duraciones, los autores definen el Índice de Señal Topológica (TSigI):
$$\text{TSigI}(B) := \frac{\sum \ell_i^2}{\sum \ell_i}$$
Esto se interpreta como una duración media ponderada por la persistencia. Juntos, $(\text{TSigI}(B), \text{TSI}(B))$ forman un resumen bidimensional que codifica tanto la magnitud (fuerza de la señal) como la dispersión (variabilidad estructural) del código de barras.

3. Versión Normalizada y Conexión con la Entropía

Para cerrar la brecha entre los resúmenes basados en varianza y los basados en entropía, se introduce una versión normalizada, cvTSI:
$$\text{cvTSI}(B) := \frac{\text{TSI}(B)}{(\bar{\ell}_B)^2}$$
donde $\bar{\ell}_B$ es la longitud media de las barras.

• Invarianza de Escala: cvTSI es invariante bajo escalado uniforme.
• Relación con la Entropía de Rényi: Los autores prueban una relación algebraica exacta entre cvTSI y la entropía de Rényi de orden dos ($H_2$). Específicamente, cvTSI es una función afín de la probabilidad de colisión $\sum p_i^2$ (donde $p_i$ son las duraciones normalizadas). Por lo tanto, cvTSI es una reparametrización monótona de $H_2$.
• Desarrollo de Taylor: Cerca de la distribución uniforme, la entropía persistente $E(B)$ puede aproximarse como una función lineal de cvTSI, mostrando que cvTSI captura la desviación cuadrática principal de la entropía respecto a su máximo.

Resultados Clave

El artículo valida las propiedades teóricas y la utilidad práctica del TSI mediante experimentos numéricos en datos geométricos sintéticos y series temporales estocásticas:

1. Configuraciones Geométricas (Círculos):

   • En modelos de círculos disjuntos y entrelazados, el TSI converge rápidamente a un valor asintótico a medida que aumenta la densidad de muestreo, demostrando robustez frente a la densidad de muestreo.
   • A diferencia de la entropía persistente, que depende fuertemente de la convergencia de los tiempos de nacimiento a cero, el TSI permanece invariante bajo translaciones uniformes del código de barras (por ejemplo, variando el tamaño de la muestra en círculos disjuntos).
   • El TSI es sensible a perturbaciones locales (barras de vida corta), mientras que la entropía refleja el equilibrio general de la distribución normalizada.

2. Robustez al Ruido:

   • Bajo ruido gaussiano o uniforme creciente, el TSI disminuye rápidamente hacia cero a medida que las características dominantes son destruidas y las duraciones se vuelven uniformemente pequeñas.
   • Por el contrario, la entropía persistente aumenta monótonamente a medida que la distribución de las duraciones se vuelve más uniforme (muchas características de vida corta).
   • cvTSI exhibe un comportamiento no monótono, alcanzando un pico cuando existe una mezcla de características prominentes y de vida corta, antes de disminuir a medida que el ruido domina.

3. Series Temporales Estocásticas (Movimiento Browniano Geométrico):

   • Al analizar el MBG, el TSI es en gran medida insensible a las tendencias deterministas (deriva) pero responde fuertemente a las fluctuaciones estocásticas (volatilidad).
   • El aumento de la volatilidad conduce a valores de TSI más altos, reflejando una mayor dispersión en las duraciones de persistencia.
   • Esto contrasta con la entropía, que muestra solo una dependencia débil de la deriva y una dependencia moderada de la volatilidad.

Significado y Afirmaciones

El artículo afirma que el Índice de Estabilidad Topológica proporciona un complemento necesario a los resúmenes existentes basados en entropía en el TDA. Sus contribuciones principales son:

• Captura de la Dispersión Absoluta: A diferencia de la entropía persistente, el TSI cuantifica la variabilidad absoluta de las duraciones de persistencia, haciéndolo sensible a escalas de características heterogéneas y complejidad estructural que la entropía pasa por alto.
• Perspectiva Unificada: A través del cvTSI normalizado, el artículo establece un vínculo matemático directo entre medidas basadas en varianza y resúmenes de teoría de la información (entropía de Rényi), unificando dos enfoques distintos para la resumen escalar.
• Sensibilidad Complementaria: Los experimentos demuestran que el TSI y la entropía capturan diferentes aspectos de la estructura de los datos. El TSI es relativamente insensible a las tendencias deterministas pero altamente receptivo a las fluctuaciones estocásticas y variaciones en la magnitud de la persistencia.
• Resumen Bidimensional: El par $(\text{TSigI}, \text{TSI})$ ofrece un resumen bidimensional simple e interpretable que codifica tanto la escala típica de las características topológicas como su variabilidad estructural.

Los autores concluyen que, aunque el TSI tiene limitaciones en cuanto a la continuidad bajo la inserción de barras y la dependencia del número de barras, sirve como un descriptor robusto para la heterogeneidad estructural, particularmente en escenarios donde la escala absoluta y la dispersión son críticas. Se sugiere trabajo futuro en el desarrollo de análogos funcionales dentro del marco de curvas de persistencia y en el estudio de comportamientos asintóticos para inferencia estadística.