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

Cet article introduit l'Indice de Stabilité Topologique (TSI), une mesure scalaire basée sur la variance pour les diagrammes de persistance qui quantifie la dispersion absolue des durées de vie et complète les résumés basés sur l'entropie en capturant la variabilité structurelle des fluctuations stochastiques tout en restant insensible aux tendances déterministes.

L'essentiel

Imaginez que vous êtes un détective essayant de comprendre la forme d'un objet mystérieux en examinant son « empreinte digitale ». Dans le monde de la science des données, cette empreinte digitale s'appelle un code-barres de persistance. C'est une liste de lignes (ou de « barres ») où la longueur de chaque ligne vous indique combien de temps une caractéristique spécifique (comme un trou ou une boucle) persiste lorsque vous zoomez et dézoomez sur vos données.

Pendant longtemps, les scientifiques ont utilisé un outil appelé Entropie Persistante pour résumer ces code-barres. Imaginez l'Entropie Persistante comme un chef qui goûte une soupe et ne se soucie que du rapport des ingrédients. Si vous avez une soupe avec 1 partie de sel et 99 parties d'eau, ou une soupe avec 10 parties de sel et 990 parties d'eau, le rapport est le même. Le chef dit : « Cela a le même goût. »

Mais que se passe-t-il si la taille de la soupe compte ? Et si l'un des pots est une toute petite tasse et l'autre une gigantesque baignoire ? Le rapport est le même, mais l'expérience est totalement différente. Les anciens outils ne pouvaient pas distinguer une soupe minuscule et uniforme d'une soupe massive et chaotique.

Cet article introduit un nouvel outil appelé Indice de Stabilité Topologique (TSI) pour corriger cela.

Les nouveaux outils : TSI et TSigI

Les auteurs proposent un système en deux parties pour décrire un code-barres, comme décrire une foule de personnes par leur taille moyenne et leur variété de tailles.

1. L'Indice de Signal Topologique (TSigI) : La « taille moyenne »

   • Ce que c'est : Il mesure la taille typique des barres.
   • L'analogie : Imaginez un groupe de personnes. Le TSigI vous indique la taille moyenne du groupe. Si tout le monde mesure 1,80 m, la moyenne est de 1,80 m. Si vous avez un géant et beaucoup de personnes minuscules, la moyenne pourrait toujours être de 1,80 m, mais cela ne raconte pas toute l'histoire. Il capture la « force du signal » ou l'échelle générale des caractéristiques.

2. L'Indice de Stabilité Topologique (TSI) : La « variance de la taille »

   • Ce que c'est : Il mesure à quel point les longueurs des barres sont dispersées. Il calcule la variance (la dispersion statistique).
   • L'analogie : Retour à la foule.
     • Scénario A : Tout le monde mesure exactement 1,80 m. La « dispersion » est nulle. Le TSI est faible.
     • Scénario B : Vous avez une personne qui mesure 2,10 m et une autre qui mesure 1,50 m. La moyenne est toujours de 1,80 m, mais le groupe est « désordonné » ou « hétérogène ». Le TSI est élevé.
   • Pourquoi cela compte : Le TSI est sensible aux différences absolues. Il peut vous dire si un code-barres possède quelques caractéristiques énormes et dominantes et beaucoup de minuscules (TSI élevé), par opposition à un code-barres où toutes les caractéristiques ont à peu près la même taille (TSI faible).

Le lien secret : La version « normalisée »

Les auteurs ont également créé une version « normalisée » appelée cvTSI.

• L'analogie : Imaginez que vous voulez comparer le « désordre » d'une petite flaque d'eau à celui d'un océan immense. Vous ne pouvez pas simplement mesurer la dispersion brute des vagues car l'océan est naturellement plus grand. Vous devez le normaliser.
• Le lien magique : L'article prouve que ce désordre normalisé (cvTSI) est mathématiquement lié à un concept de la théorie de l'information appelé Entropie de Rényi.
  • Imaginez deux langues différentes décrivant la même histoire. Une langue (l'Entropie) utilise des logarithmes pour compresser l'histoire, tandis que l'autre (cvTSI) utilise une ligne droite (la variance). Elles vous disent la même chose sur la distribution des barres, mais elles mettent l'accent sur des détails différents. L'article montre que vous pouvez traduire parfaitement entre les deux.

Ce que les expériences ont révélé

Les auteurs ont testé ces outils sur des données synthétiques (comme des formes générées par ordinateur et des séries temporelles aléatoires) pour voir comment ils se comportent par rapport aux anciens outils.

1. Déterministe vs Aléatoire :

   • Lorsqu'ils ont ajouté une tendance régulière et prévisible (comme une ligne droite montant) à leurs données, les anciens outils (Entropie) et les nouveaux outils (TSI) n'ont pas beaucoup changé. Ils sont bons pour ignorer les motifs ennuyeux et prévisibles.
   • Cependant, lorsqu'ils ont ajouté du bruit aléatoire (comme des parasites sur une radio ou un tremblement de caméra), le TSI a augmenté. Il est très bon pour détecter le « chaos » ou les fluctuations aléatoires. Il vous dit : « Hé, les caractéristiques sont partout ! »

2. Le problème de la « barre courte » :

   • L'article admet une particularité : si vous ajoutez une barre minuscule, presque invisible, à votre liste, le TSI change. C'est comme ajouter une personne très petite dans une pièce remplie de géants ; la « variance » de la pièce change instantanément.
   • L'ancien outil Entropie est plus lisse et se soucie moins de l'ajout d'une petite barre.
   • À retenir : Le TSI est excellent pour voir les grands changements structurels et le bruit aléatoire, mais il est un peu « sautillant » si vos données comportent de nombreuses caractéristiques minuscules et bruyantes.

Résumé en langage clair

• Ancienne méthode (Entropie) : « Comment les caractéristiques sont-elles réparties de manière égale ? » (Ignore la taille réelle).
• Nouvelle méthode (TSI + TSigI) : « Quelle est la taille moyenne des caractéristiques ? » (TSigI) ET « Dans quelle mesure leur taille varie-t-elle ? » (TSI).
• Le résultat : Les nouveaux outils vous offrent une meilleure image de la variabilité structurelle. Ils peuvent distinguer un système uniformément chaotique d'un système qui possède quelques caractéristiques dominantes mélangées à du bruit. Ils sont particulièrement bons pour repérer les fluctuations aléatoires dans les données, ce que les anciens outils manquent parfois.

En bref, l'article offre aux scientifiques des données une nouvelle règle (TSI) pour mesurer le « désordre » de la forme de leurs données, complétant l'ancienne règle qui ne mesurait que l'« équilibre » de la forme.

Résumé technique

Résumé Technique : L'Indice de Stabilité Topologique

Énoncé du Problème

L'Analyse Topologique des Données (ATD) utilise les diagrammes de persistance et les codes-barres pour représenter l'évolution des caractéristiques topologiques à travers les échelles. Bien que ces représentations soient riches et stables, leur intégration avec des outils statistiques standards reste difficile en raison de l'absence d'une structure linéaire ou convexe simple dans l'espace des diagrammes de persistance.

Les résumés scalaires existants, tels que l'entropie persistante, répondent à ce problème en mappant les codes-barres vers des valeurs uniques. Cependant, l'entropie persistante repose sur la distribution normalisée des durées de persistance (poids relatifs). Par conséquent, elle est invariante d'échelle et échoue à capturer la dispersion absolue ou les différences dans l'ampleur des durées de persistance. Dans de nombreuses applications, les différences absolues d'échelle et de variabilité sont des indicateurs significatifs d'hétérogénéité structurelle, pourtant elles sont perdues dans les résumés basés sur l'entropie. Il existe un besoin d'une mesure scalaire qui quantifie la dispersion absolue des durées de persistance tout en restant sensible à l'hétérogénéité structurelle.

Méthodologie

Les auteurs introduisent l'Indice de Stabilité Topologique (IST), une mesure scalaire basée sur la variance, définie comme la variance d'échantillon du multi-ensemble des durées de persistance.

1. Définition et Propriétés Fondamentales

Soit $B$ un code-barres de persistance avec $n_B$ barres et des durées $\ell_i = d_i - b_i$. L'IST est défini par :
$$\text{IST}(B) := \text{Var}(L_B) = \frac{1}{n_B - 1} \sum_{i=1}^{n_B} \left( \ell_i - \frac{L_B}{n_B} \right)^2$$
où $L_B = \sum \ell_i$ est la persistance totale.

Les propriétés mathématiques clés établies incluent :

• Mise à l'échelle : L'IST s'échelle de manière quadratique ($c^2$) sous une mise à l'échelle uniforme des valeurs de filtration.
• Invariance par Translation : L'IST est invariant sous une translation uniforme des temps de mort (décalage de toutes les durées par une constante), à condition que le nombre de barres reste fixe.
• Caractérisation Extrémale : Pour un nombre fixe de barres et une persistance totale fixe, l'IST est minimisé (zéro) lorsque toutes les durées sont égales et maximisé lorsque la persistance est concentrée dans une seule barre.
• Formules de Mise à Jour : Des formules récursives explicites sont dérivées pour l'IST lors de l'insertion ou de la suppression d'une barre, montrant une sensibilité à l'écart de la longueur de la nouvelle barre par rapport à la moyenne existante.
• Stabilité : Bien que l'IST ne soit pas continu sous l'insertion de barres arbitrairement courtes (en raison des changements dans la normalisation de la taille de l'échantillon), il admet des bornes quantitatives par rapport au diagramme vide et à la distance de goulot d'étranglement lorsque le nombre de barres est fixe.

2. Indice de Signal Complémentaire

Pour capturer l'échelle typique des durées, les auteurs définissent l'Indice de Signal Topologique (TSigI) :
$$\text{TSigI}(B) := \frac{\sum \ell_i^2}{\sum \ell_i}$$
Ceci est interprété comme une durée de persistance moyenne pondérée par la persistance. Ensemble, $(\text{TSigI}(B), \text{IST}(B))$ forment un résumé bidimensionnel encodant à la fois l'ampleur (force du signal) et la dispersion (variabilité structurelle) du code-barres.

3. Version Normalisée et Lien avec l'Entropie

Pour combler le fossé entre les résumés basés sur la variance et ceux basés sur l'entropie, une version normalisée, cvIST, est introduite :
$$\text{cvIST}(B) := \frac{\text{IST}(B)}{(\bar{\ell}_B)^2}$$
où $\bar{\ell}_B$ est la longueur moyenne des barres.

• Invariance d'Échelle : cvIST est invariant sous une mise à l'échelle uniforme.
• Relation avec l'Entropie de Rényi : Les auteurs prouvent une relation algébrique exacte entre cvIST et l'entropie de Rényi d'ordre deux ($H_2$). Plus précisément, cvIST est une fonction affine de la probabilité de collision $\sum p_i^2$ (où $p_i$ sont les durées normalisées). Ainsi, cvIST est une reparamétrisation monotone de $H_2$.
• Développement de Taylor : Près de la distribution uniforme, l'entropie persistante $E(B)$ peut être approximée comme une fonction linéaire de cvIST, montrant que cvIST capture la déviation quadratique dominante de l'entropie par rapport à son maximum.

Résultats Clés

L'article valide les propriétés théoriques et l'utilité pratique de l'IST grâce à des expériences numériques sur des données géométriques synthétiques et des séries temporelles stochastiques :

1. Configurations Géométriques (Cercles) :

   • Dans les modèles de cercles disjoints et entrelacés, l'IST converge rapidement vers une valeur asymptotique à mesure que la densité d'échantillonnage augmente, démontrant une robustesse à la densité d'échantillonnage.
   • Contrairement à l'entropie persistante, qui dépend fortement de la convergence des temps de naissance vers zéro, l'IST reste invariant sous les translations uniformes du code-barres (par exemple, variation de la taille de l'échantillon dans les cercles disjoints).
   • L'IST est sensible aux perturbations locales (barres de courte durée), tandis que l'entropie reflète l'équilibre global de la distribution normalisée.

2. Robustesse au Bruit :

   • Sous l'augmentation du bruit gaussien ou uniforme, l'IST diminue rapidement vers zéro à mesure que les caractéristiques dominantes sont détruites et que les durées deviennent uniformément petites.
   • En revanche, l'entropie persistante augmente de manière monotone à mesure que la distribution des durées devient plus uniforme (nombreuses caractéristiques de courte durée).
   • cvIST présente un comportement non monotone, atteignant un pic lorsqu'un mélange de caractéristiques proéminentes et de courte durée existe, avant de diminuer lorsque le bruit domine.

3. Séries Temporelles Stochastiques (Mouvement Brownien Géométrique) :

   • Lors de l'analyse du MBG, l'IST est largement insensible aux tendances déterministes (dérive) mais répond fortement aux fluctuations stochastiques (volatilité).
   • L'augmentation de la volatilité conduit à des valeurs d'IST plus élevées, reflétant une dispersion accrue des durées de persistance.
   • Cela contraste avec l'entropie, qui ne montre qu'une faible dépendance à la dérive et une dépendance modérée à la volatilité.

Importance et Revendications

L'article revendique que l'Indice de Stabilité Topologique fournit un complément nécessaire aux résumés basés sur l'entropie existants en ATD. Ses contributions principales sont :

• Capture de la Dispersion Absolue : Contrairement à l'entropie persistante, l'IST quantifie la variabilité absolue des durées de persistance, le rendant sensible aux échelles de caractéristiques hétérogènes et à la complexité structurelle que l'entropie ne détecte pas.
• Perspective Unifiée : Grâce au cvIST normalisé, l'article établit un lien mathématique direct entre les mesures basées sur la variance et les résumés théoriques de l'information (entropie de Rényi), unifiant deux approches distinctes de la sommation scalaire.
• Sensibilité Complémentaire : Les expériences démontrent que l'IST et l'entropie capturent différents aspects de la structure des données. L'IST est relativement insensible aux tendances déterministes mais très réactif aux fluctuations stochastiques et aux variations de l'ampleur de la persistance.
• Résumé Bidimensionnel : Le couple $(\text{TSigI}, \text{IST})$ offre un résumé bidimensionnel simple et interprétable qui encode à la fois l'échelle typique des caractéristiques topologiques et leur variabilité structurelle.

Les auteurs concluent que, bien que l'IST présente des limitations concernant la continuité sous l'insertion de barres et la dépendance au nombre de barres, il sert de descripteur robuste de l'hétérogénéité structurelle, en particulier dans les scénarios où l'échelle absolue et la dispersion sont critiques. Des travaux futurs sont suggérés pour développer des analogues fonctionnels dans le cadre des courbes de persistance et étudier les comportements asymptotiques pour l'inférence statistique.