📊 statistics

From Persistence to Survival: Hypothesis Testing, Effect Sizes and Vectorisation for Topological Features

Le papier introduit STRAND, un nouveau cadre qui traite les diagrammes de persistance comme des données de survie afin de fournir simultanément un test d'hypothèse non paramétrique statistiquement rigoureux, des tailles d'effet interprétables et un vecteur de caractéristiques stable pour l'apprentissage automatique, le tout dérivé d'une seule représentation cohérente.

Auteurs originaux : Juliette Murris, Bernadette Stolz, Karsten Borgwardt

Publié 2026-06-11

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Juliette Murris, Bernadette Stolz, Karsten Borgwardt

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous avez un sac de billes. Certaines sont grosses, d'autres petites, certaines sont rouges, d'autres bleues. Dans le monde de l'Analyse de Données Topologiques (TDA), les scientifiques utilisent un outil appelé « Homologie Persistante » pour observer les formes des données (comme un nuage de points ou un réseau de connexions) et les transformer en ces « sacs de billes ».

Chaque bille représente une caractéristique de la forme :

Un point connecté (comme une île isolée).
Une boucle (comme un anneau ou le trou d'un donut).
Un vide (comme l'espace vide à l'intérieur d'une bulle).

Pour chaque caractéristique, l'outil enregistre deux nombres : la Naissance (quand elle apparaît pour la première fois lors du zoom avant) et la Mort (quand elle disparaît). La différence entre ces deux nombres est appelée Persistance. Une caractéristique qui dure longtemps est un signal « fort » (comme un vrai trou de donut). Une caractéristique qui apparaît et disparaît instantanément est généralement du « bruit » (comme une poussière).

Le Problème : Deux Boîtes à Outils Séparées

Jusqu'à présent, les scientifiques étaient confrontés à un problème de personnalité partagée lorsqu'ils traitaient ces sacs de billes :

Les Statisticiens voulaient demander : « Les billes du Groupe A sont-elles différentes de celles du Groupe B ? » Ils avaient des tests pour répondre à cela, mais ils ne pouvaient pas dire à quel point elles étaient différentes, ni quelles billes spécifiques étaient les coupables.
Les Ingénieurs en Machine Learning voulaient nourrir un ordinateur avec ces billes pour faire des prédictions (comme « Cette protéine est-elle un médicament ? »). Ils avaient besoin de transformer le sac de billes en une liste de nombres fixe (un vecteur). Mais les outils qu'ils utilisaient n'aidaient pas pour les questions statistiques.

C'était comme avoir un outil pour mesurer la hauteur d'un arbre et un tout autre outil pour deviner son âge, sans aucun moyen de les relier.

La Solution : STRAND (Survival Topological Representation ANalysis of Diagrams)

Les auteurs présentent STRAND, une nouvelle méthode qui traite ces caractéristiques topologiques comme des patients dans une étude de survie hospitalière.

L'Analogie Créative : L'« Hôpital des Caractéristiques »

Imaginez que chaque caractéristique topologique (chaque bille) est un patient entrant à l'hôpital.

Temps de Naissance : Le moment où le patient est admis.
Temps de Mort : Le moment où le patient part (ou décède).
Persistance : Le temps total passé à l'hôpital.

STRAND pose une question simple : « Combien de temps les patients du Groupe A restent-ils à l'hôpital par rapport au Groupe B ? »

Au lieu de simplement compter les billes, STRAND construit une Courbe de Survie. C'est un graphique qui répond à : « Quel pourcentage de caractéristiques est encore « en vie » (persistant) après un temps $t$ ? »

Ce que fait STRAND (Ses Trois Super-pouvoirs)

1. Le « Juge Impartial » (Test d'Hypothèse)
STRAND utilise un test médical classique appelé le Test du Log-Rank (généralement utilisé pour comparer les taux de survie de médicaments) pour comparer les deux groupes.

Le Résultat : Il donne une réponse claire par « Oui/Non » : « Ces deux groupes de formes sont-ils statistiquement différents ? »
Le Bonus : Contrairement aux anciennes méthodes, il fonctionne même si vous n'avez qu'un nombre infime d'échantillons (comme seulement deux diagrammes).

2. Le « Détective » (Tailles d'Effet Interprétables)
Les anciennes méthodes donna ne qu'une « p-valeur » (un nombre disant que c'est différent). STRAND vous donne l'histoire derrière la différence.

Il donne le Rapport de Risque (Hazard Ratio) : « Les caractéristiques du Groupe B meurent 15 % plus vite que celles du Groupe A. »
Il donne la Différence de Médiane : « La caractéristique moyenne du Groupe A dure 3 secondes de plus. »
Il montre exactement où sur la ligne du temps les groupes se séparent. Vous pouvez voir si la différence se produit dans les caractéristiques « de courte durée » (bruit) ou les caractéristiques « de longue durée » (structure réelle).

3. Le « Traducteur » (Vectorisation pour l'IA)
Pour permettre aux ordinateurs d'apprendre de cela, STRAND prend cette Courbe de Survie et la découpe en une liste fixe de nombres (un vecteur).

La Magie : Cette liste de nombres est dérivée de la même courbe exacte utilisée pour le test statistique.
L'Avantage : Les caractéristiques que l'ordinateur utilise pour faire une prédiction sont les mêmes caractéristiques que le statisticien a testées pour la significativité. Il n'y a aucun décalage.
Efficacité : Il crée une liste de nombres très courte (par exemple, 50 nombres) comparée à d'autres méthodes qui pourraient en créer des milliers, ce qui est beaucoup plus rapide à traiter pour les ordinateurs.

Vérifications en Conditions Réelles (Ce que l'article a réellement trouvé)

Les auteurs ont testé STRAND de trois manières :

Formes Synthétiques : Ils ont créé des données fictives (comme des donuts et des sphères en 4D) avec des formes connues et ajouté du bruit. STRAND a correctement identifié les différences et contrôlé les fausses alertes.
Benchmarks de Classification : Ils ont testé STRAND sur 14 ensembles de données différents (molécules, réseaux sociaux, formes 3D). STRAND a performé aussi bien que les meilleures méthodes existantes pour classer ces formes, mais avec beaucoup moins de données et un calcul plus rapide.
Connectivité Cérébrale (Étude sur l'Autisme) : Ils ont appliqué STRAND à des données de scanners cérébraux comparant des enfants et des adultes.
- Résultat : Ils ont découvert que les « boucles » (caractéristiques H1) dans les réseaux cérébraux des enfants avaient un « temps de survie » différent de celui des adultes.
- Insight : STRAND ne s'est pas contenté de dire « ils sont différents » ; il a quantifié que les boucles dans le cerveau des enfants « mouraient » (disparaissaient) plus vite que dans celui des adultes, fournissant une différence biologique mesurable.

Résumé

STRAND comble le fossé entre poser une question (« Ces formes sont-elles différentes ? ») et y répondre par une prédiction (« Voici un nombre à injecter dans une IA »). Il y parvient en observant les formes des données à travers le prisme de l'analyse de survie, transformant des caractéristiques topologiques abstraites en une histoire sur leur durée de vie, permettant ainsi aux scientifiques de mesurer, comparer et prédire avec un outil unique et cohérent.

Résumé technique : De la persistance à la survie (STRAND)

Problématique

L'analyse topologique des données (TDA) utilise l'homologie persistante pour extraire des descripteurs de forme à partir de données, produisant ainsi des diagrammes de persistance (PD). Bien que les PD capturent efficacement les caractéristiques topologiques (composantes connexes, boucles, vides) à travers différentes échelles, ils présentent deux défis majeurs pour les praticiens :

Absence de statistiques de confirmation : Les méthodes existantes pour comparer les PD sont largement descriptives. Il existe une rareté de tests d'hypothèses fondés qui puissent confirmer les différences topologiques entre des groupes avec un taux d'erreur de Type I calibré et une puissance statistique élevée, particulièrement lorsque les tailles d'échantillon (nombre de diagrammes) sont faibles.
Incompatibilité avec l'apprentissage automatique : Les PD sont des multisets de cardinalité variable, ce qui les rend incompatibles avec les algorithmes d'apprentissage automatique standards qui nécessitent des entrées vectorielles de dimension fixe.
Outils déconnectés : Les solutions actuelles traitent ces problèmes séparément. Les méthodes de vectorisation (ex: Images de Persistance, Paysages) permettent la classification mais manquent de capacités d'inférence statistique. Inversement, les méthodes de test d'hypothèses (ex: tests de permutation sur les distances de Wasserstein) produisent des p-values mais ne fournissent pas de tailles d'effet interprétables, de localisation des différences ou d'une représentation unifiée pour la prédiction en aval. Cela force les praticiens à utiliser des outils distincts pour l'inférence et la prédiction, brisant le lien interprétatif entre les caractéristiques significatives et les caractéristiques prédictives.

Méthodologie : STRAND

Les auteurs introduisent STRAND (Survival Topological Representation ANalysis of Diagrams), un cadre qui unifie le test d'hypothèse et la vectorisation en mappant les diagrammes de persistance vers des données de survie.

Concept central : La persistance comme survie

STRAND traite la valeur de persistance $p = d - b$ de chaque caractéristique topologique (où $b$ est la naissance et $d la mort$) comme un « temps d'occurrence » entièrement observé.

La fonction de survie de la persistance : L'objet central est défini par $S(t) = P(p > t)$ , représentant la probabilité qu'une caractéristique choisie aléatoirement persiste au-delà de l'échelle de filtration $t$ .
Estimation : Pour une collection de diagrammes, STRAND utilise l'estimateur de Kaplan-Meier pour calculer la fonction de survie empirique $\hat{S}(t)$ et l'estimateur de Nelson-Aalen pour le risque cumulé. Il prend en compte la structure de « l'entrée différée » des PD (les caractéristiques ne sont observables qu'entre la naissance et la mort) via la troncature à gauche.

Composants clés

Test d'hypothèse (Section 3.2) :
- STRAND compare deux groupes de PD en testant l'hypothèse nulle $H_0: S_A(t) = S_B(t)$ contre l'alternative selon laquelle ils diffèrent pour un certain $t$ .
- Il utilise le test du log-rank, un statisticien non paramétrique comparant les événements observés aux événements attendus sous l'hypothèse nulle.
- Tailles d'effet : Contrairement aux méthodes ne produisant que des p-values, STRAND fournit des tailles d'effet interprétables, incluant les rapports de risques (hazard ratios, sous l'hypothèse de risques proportionnels) et les différences de persistance médiane ( $\Delta_{med}$ ), ainsi que des intervalles de confiance par bootstrap. Il localise également les différences à travers l'axe de persistance en utilisant les courbes de Kaplan-Meier.
Vectorisation (Section 3.3) :
- La même fonction de survie $\hat{S}(t)$ utilisée pour les tests est discrétisée sur une grille fixe pour produire un vecteur de caractéristiques de dimension fixe.
- Stabilité : Le vecteur résultant est prouvé comme étant stable au 1-Wasserstein. Le Théorème 3.1 établit que la distance entre les vecteurs STRAND est bornée par la distance 1-Wasserstein entre les diagrammes d'entrée, garantissant la robustesse au bruit et aux petites perturbations.
- Efficacité : La méthode produit des vecteurs de faible dimension (ex: 50–100 caractéristiques) par rapport aux alternatives de haute dimension comme les Images de Persistance, réduisant ainsi les coûts de calcul pour les classificateurs en aval.

Résultats clés

1. Validation statistique (Variétés synthétiques)

Contrôle de l'erreur de Type I : Les expériences sur des variétés synthétiques (tore 4D, bouteille de Klein, sphère 3D) avec un bruit contrôlé montrent que STRAND maintient des taux d'erreur de Type I calibrés, cohérents avec le $\alpha$ nominal de $0,05$, même en présence de corrélations intra-diagrammes (règle de l'aîné/elder rule).
Puissance statistique : STRAND démontre une puissance élevée avec de très petits échantillons. Sur les données de tore 4D, il atteint une puissance $> 90\%$ avec seulement deux diagrammes par groupe en exploitant l'abondance des caractéristiques topologiques au sein de chaque diagramme.
Détection de signal : La méthode distingue avec succès le signal (variété) des caractéristiques de bruit, avec des p-values de log-rank systématiquement inférieures à $0,05$ à travers les régimes de probabilité de signal.

2. Benchmarks de classification

Performance : STRAND a été évalué sur 14 jeux de données (10 jeux de graphes du TU Dortmund et 4 jeux de nuages de points 3D).
- Sur les jeux de données de graphes, STRAND a obtenu une précision compétitive (moyenne de $61,5\%$ ), comparable aux vectorisations de pointe comme les Images de Persistance (PI) et le Noyau de Wasserstein Découpé (SWK).
- Sur les jeux de données de nuages de points 3D, STRAND a obtenu la précision moyenne la plus élevée ( $79,5\%$ ), surpassant PI ( $76,7\%$ ) et d'autres bases de référence, avec des marges significatives sur les jeux de données multiclasses complexes.
Efficacité computationnelle : STRAND offre une réduction massive de la dimensionnalité des caractéristiques ($30 $à$ 85\times$ inférieure aux Images de Persistance) et du temps de calcul. Pour de grands ensembles de données (ex: ModelNet10), les méthodes basées sur les noyaux devenaient impraticables en raison de leur complexité $O(N^2)$ , tandis que STRAND restait traitable.

3. Étude de cas : Connectivité cérébrale de l'autisme

Appliqué au jeu de données ABIDE pour comparer la connectivité cérébrale fonctionnelle entre les enfants ( $<13$ ans) et les adultes ( $\ge 18$ ans).
STRAND a détecté des différences de développement significatives dans les structures de boucles ( $H_1$ ) à travers trois atlas cérébraux, quantifiant l'effet par des rapports de risques ($HR > 1$, indiquant une persistance plus courte chez les enfants).
Contrairement aux méthodes de base qui ne fournissent que des p-values, STRAND a révélé que l'ampleur de l'effet (HR) variait selon la résolution de la parcellisation, offrant une caractérisation nuancée et interprétable du développement topologique.

Signification et revendications

L'article affirme que STRAND est la première méthode à fournir des tests d'hypothèses, des tailles d'effet interprétables et une vectorisation stable pour les diagrammes de persistance à partir d'une représentation unique et cohérente.

Unification : Il comble le fossé entre l'inférence statistique et l'apprentissage automatique, garantissant que les caractéristiques qui pilotent la prédiction sont les mêmes que celles testées pour la significativité.
Interprétabilité : En exploitant les mécanismes de l'analyse de survie, STRAND va au-delà des p-values scalaires pour offrir une localisation des différences (via les courbes de Kaplan-Meier) et une quantification de l'ampleur de l'effet (via les rapports de risques et les différences de médiane).
Utilité pratique : La méthode est particulièrement précieuse dans les contextes nécessitant des études confirmatoires avec de petits échantillons (ex: découverte de médicaments, imagerie biomédicale) où la compréhension de la magnitude et de la direction des différences topologiques est aussi critique que leur existence même.

Les auteurs restent modestes concernant l'hypothèse de risques proportionnels, notant que bien que le test du log-rank reste valide sans elle, l'interprétation du rapport de risque comme un effet résumé unique nécessite cette hypothèse. En cas de risques non proportionnels, ils recommandent de rapporter les différences de persistance médiane aux côtés des courbes de survie.