🔢 mathematics

The Intersection Euler Characteristic Profile: Euler Calculus and Stability for Topological Interaction of Ball Unions

यह शोध पत्र इंटरसेक्शन यूलर कैरेक्टरिस्टिक प्रोफाइल (Intersection Euler Characteristic Profile) को प्रस्तुत करता है, जो यूलर कैलकुलस के माध्यम से कई रंगीन पॉइंट क्लाउड्स की टोपोलॉजिकल अंतःक्रिया का विश्लेषण करने के लिए एक स्थिर और कैनोनिकल इनवेरिएंट है, जिसे अल्फा-कॉम्प्लेक्स स्वीप्स (Alpha-complex sweeps) का उपयोग करके कुशलतापूर्वक संगणना किया जा सकता है और अंतर्निहित आकार गुणों को निरंतर रूप से पुनः प्राप्त करने के लिए रिलेटिव होमोलॉजी (relative homology) के माध्यम से परिष्कृत किया जा सकता है।

मूल लेखक: Kazuhiro Kawamura, Sushovan Majhi, Atish Mitra

प्रकाशित 2026-09-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kazuhiro Kawamura, Sushovan Majhi, Atish Mitra

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

डेटा साइंस की दुनिया में, शोधकर्ता अक्सर अंतरिक्ष में बिखरे हुए बिंदुओं के बादलों को देखकर जटिल आकृतियों को समझने की कोशिश करते हैं। कल्पना कीजिए कि तारों का एक समूह एक नक्षत्र बना रहा है, या पेट्री डिश में बैक्टीरिया का एक झुंड इकट्ठा हो गया है। बिंदुओं के ये संग्रह केवल यादृच्छिक डॉट्स नहीं हैं; वे उस संरचना के बारे में जानकारी रखते हैं जिसमें वे रहते हैं। एक प्रमुख चुनौती यह समझना है कि जब दो या अधिक अलग-अलग समूह एक-दूसरे के करीब लाए जाते हैं, तो वे आपस में कैसे क्रिया करते हैं। क्या वे बस छूते हैं? क्या वे एक एकल आकृति में विलीन हो जाते हैं? या वे एक-दूसरे के चारों ओर इस तरह लिपट जाते हैं कि एक नया, साझा स्थान बन जाता है? इस उत्तर को खोजने के लिए, वैज्ञानिक 'टोपोलॉजिकल डेटा एनालिसिस' नामक एक उपकरण का उपयोग करते हैं, जो इन बिंदु बादलों (point clouds) के साथ ऐसे व्यवहार करता है जैसे वे भौतिक वस्तुएं हों जिन्हें मोटा किया जा सकता है, खींचा जा सकता है और उनके छिद्रों, लूप और जुड़े हुए हिस्सों के लिए जाँचा जा सकता है। लक्ष्य एक एकल, विश्वसनीय संख्या प्राप्त करना है जो हमें बताती है कि किसी भी निश्चित दूरी पर ये समूह वास्तव में कैसे परस्पर क्रिया कर रहे हैं, बिना उनके सटीक स्थानों के जटिल विवरणों में खोए।

शोधकर्ताओं की एक टीम ने इस अंतःक्रिया को मापने का एक नया तरीका विकसित किया है, जो एक प्रोफाइल बनाता है जो उस स्थान के लिए एक सटीक पैमाने (रूलर) की तरह कार्य करता है जहाँ विभिन्न समूहों के बिंदु ओवरलैप होते हैं। वे इसे 'इंटरसेक्शन यूलर कैरेक्टरिस्टिक प्रोफाइल' (Intersection Euler Characteristic Profile) कहते हैं। बिंदुओं के बीच प्रत्येक संबंध को मैप करने की कोशिश करने के बजाय, जो गणनात्मक रूप से अत्यधिक बोझिल हो सकता है, वे उस स्थान की टोपोलॉजिकल संरचना पर ध्यान केंद्रित करते हैं जहाँ 'मोटे किए गए' (thickened) वर्जन वाले बिंदु बादल मिलते हैं। प्रत्येक बिंदु क्लाउड में प्रत्येक बिंदु को एक बढ़ते हुए बुलबुले के केंद्र के रूप में सोचें। जैसे-जैसे ये बुलबुले फैलते हैं, वे अंततः आपस में टकराते और विलीन होते हैं। शोधकर्ता उस विशिष्ट क्षेत्र में रुचि रखते हैं जहाँ एक क्लाउड के बुलबुले दूसरे क्लाउड के बुलबुलों के साथ ओवरलैप होते हैं। उन्होंने पाया कि अलग-अलग टुकड़ों, छिद्रों और रिक्तियों (voids) की संख्या को गिनकर और उन्हें एक एकल पूर्णांक (integer) में संयोजित करके, वे इस अंतःक्रिया के सार को पकड़ सकते हैं। यह संख्या, जिसे गणित में 'यूलर कैरेक्टरिस्टिक' कहा जाता है, जैसे-जैसे बुलबुले बढ़ते हैं वैसे बदलती रहती है, जिससे एक वक्र (curve) बनता है जो बताता है कि समूह एक-दूसरे से कैसे संबंधित हैं।

इस नई पद्धति की सुंदरता इसकी सरलता और जटिल स्थितियों को बिना उलझे संभालने की क्षमता में निहित है। पिछले तरीकों के लिए अक्सर एक क्लाउड के प्रत्येक बिंदु की तुलना दूसरे क्लाउड के प्रत्येक बिंदु से करना आवश्यक होता था, जो बिंदुओं की संख्या बढ़ने पर असंभव रूप से धीमा हो जाता है। हालाँकि, यह नया दृष्टिकोण बिंदुओं की अपनी ज्यामिति पर आधारित एक चतुर शॉर्टकट का उपयोग करता है। डेटा को 'अल्फा कॉम्प्लेक्स' (Alpha complex) नामक एक विशिष्ट प्रकार की ज्यामितिक संरचना में व्यवस्थित करके, शोधकर्ता पुराने तकनीकों की तुलना में बहुत कम समय में इंटरैक्शन प्रोफाइल की गणना कर सकते हैं। उन्होंने सिद्ध किया कि यह विधि स्थिर (stable) है, जिसका अर्थ है कि यदि माप त्रुटि या शोर के कारण बिंदु थोड़ा हिल जाते हैं, तो परिणामी प्रोफाइल नाटकीय रूप से नहीं बदलता है। यह सुसंगत (consistent) भी है, जिसका अर्थ है कि जैसे-जैसे बिंदु बादल अधिक घने और असंख्य होते जाते हैं, प्रोफाइल उन मूल वस्तुओं के वास्तविक आकार को सटीक रूप से दर्शाता है जिनका वे नमूना ले रहे हैं, चाहे वे चिकनी सतहें हों या ऊबड़-खाबड़, फ्रैक्टल जैसी संरचनाएं।

एक सबसे महत्वपूर्ण खोज यह है कि यह प्रोफाइल केवल एक यादृच्छिक गणना नहीं है; यह एकमात्र तरीका है जो अंतःक्रिया को मापने के लिए नियमों के एक विशिष्ट सेट का पालन करता है। शोधकर्ताओं ने दिखाया कि यदि आप एक ऐसा माप चाहते हैं जो समूहों के दूर होने पर शून्य हो, सभी समूहों के साथ समान व्यवहार करे, और समूहों के घने नमूनों के रूप में एक ज्ञात मान पर स्थिर हो जाए, तो यह विशिष्ट प्रोफाइल ही एकमात्र संभावित उत्तर है। यह समस्या की प्रकृति द्वारा निर्धारित एक अद्वितीय समाधान है। यह इसे उन वैज्ञानिकों के लिए एक शक्तिशाली उपकरण बनाता है जिन्हें विभिन्न डेटासेटों की तुलना करने की आवश्यकता होती है, जैसे कि एक पारिस्थितिकी तंत्र में जानवरों की विभिन्न प्रजातियों की अंतःक्रिया को ट्रैक करना या कंप्यूटर प्रोग्राम में एक न्यूरल नेटवर्क की विभिन्न परतों के बीच संबंध को समझना।

हालाँकि, शोधकर्ता अपने उपकरण की सीमाओं के बारे में भी ईमानदार थे। क्योंकि वे एक जटिल आकार को सारांशित करने के लिए एक एकल संख्या का उपयोग कर रहे हैं, इसलिए कुछ विवरण खो सकते हैं। उदाहरण के लिए, यदि ओवरलैपिंग क्षेत्र एक पूर्ण रिंग या एक खोखले खोल (shell) जैसा बनता है, तो संख्या शून्य हो सकती है, जो यह सुझाव देती है कि कोई अंतःक्रिया नहीं है, भले ही एक जटिल आकार स्पष्ट रूप से मौजूद हो। इसे ठीक करने के लिए, उन्होंने एक अधिक विस्तृत शोधन (refinement) विकसित किया जो समूहों के बीच विशिष्ट संबंधों को देखता है, जिससे वे छिपे हुए लूप और रिक्तियों को भी पकड़ लेता है जिन्हें सरल संख्या चूक जाती है। यह शोधन उच्च गणना लागत (computational cost) के साथ आता है, लेकिन यह सुनिश्चित करता है कि कोई भी अंतःक्रिया अनसुनी न रह जाए। टीम ने प्रदर्शित किया कि उनका प्राथमिक तरीका परिदृश्यों की एक विस्तृत श्रृंखला के लिए, सरल ओवरलैपिंग वृत्तों से लेकर जटिल, बहु-स्तरीय संरचनाओं तक, पूरी तरह से काम करता है, और इसे केवल जोड़ों के बजाय बिंदुओं के कितने भी क्लाउड्स के लिए लागू किया जा सकता है।

इस कार्य का व्यावहारिक प्रभाव यह है कि यह शोधकर्ताओं को भारी मात्रा में डेटा का तेजी से और विश्वसनीय रूप से विश्लेषण करने की अनुमति देता है। जलवायु विज्ञान जैसे क्षेत्रों में, जहाँ विभिन्न वायुमंडलीय पैटर्न के बीच अंतःक्रिया को समझना महत्वपूर्ण है, या जीव विज्ञान में, जहाँ कोशिकाओं की व्यवस्था कार्य निर्धारित करती है, यह विधि शोर को काटकर वास्तविक टोपोलॉजिकल संबंधों को देखने का एक तरीका प्रदान करती है। शोधकर्ताओं ने एक स्पष्ट एल्गोरिदम प्रदान किया है जिसे मानक कंप्यूटरों पर चलाया जा सकता है, जिससे यह उन्नत गणितीय अंतर्दृष्टि वैज्ञानिकों के एक विस्तृत दायरे के लिए सुलभ हो गई है। एक कठिन ज्यामितिक समस्या को एक सरल गिनती की प्रक्रिया में बदलकर, उन्होंने दुनिया के बिखरे हुए टुकड़ों के आपस में जुड़ने के तरीके को देखने का एक नया द्वार खोल दिया है। परिणाम स्वरूप, एक ऐसा उपकरण सामने आया है जो गणितीय रूप से कठोर और व्यावहारिक रूप से उपयोगी दोनों है, जो हमारे आसपास के डेटा में अंतःक्रिया की छिपी हुई वास्तुकला को प्रकट करने में सक्षम है।

तकनीकी सारांश: इंटरसेक्शन यूलर कैरेक्टरिस्टिक प्रोफाइल (The Intersection Euler Characteristic Profile)

समस्या विवरण
टोपोलॉजिकल डेटा एनालिसिस (TDA) स्थानिक पैमानों (spatial scales) पर कई पॉइंट क्लाउड्स ( $X_1, \dots, X_k \subset \mathbb{R}^d$ ) के बीच टोपोलॉजिकल इंटरेक्शन को मापने में एक मौलिक चुनौती का सामना करता है। मौजूदा विधियाँ महत्वपूर्ण सीमाओं से ग्रस्त हैं:

सिंगल-क्लाउड पर्सिस्टेंस (Single-cloud persistence): यह सापेक्ष स्थिति (relative positioning) के प्रति अंधा है; दो अलग (disjoint) क्लाउड्स का डायग्राम उनके अलगाव के बावजूद समान रहता है।
यूनियन-आधारित पर्सिस्टेंस (Union-based persistence - $X \cup Y$ ): यह अंतर्निተኛ टोपोलॉजी (intrinsic topology) और इंटरेक्शन को मिला देता है और क्लाउड्स के अलग होने पर भी सापेक्ष स्थिति के प्रति प्रतिक्रिया देता है।
मल्टीपैरामीटर पर्सिस्टेंस (Multiparameter persistence): अलग-अलग पैमानों (scales) द्वारा फ़िल्टरिंग करने के कारण यह कम्प्यूटेशनल रूप से कठिन है, इसमें इंटरवल डिकम्पोजिशन (बारकोड्स) का अभाव है और इसमें NP-hard इंटरलीविंग डिस्टेंस की समस्या है।
हालिया इंटरेक्शन इनवेरिएंट्स (जैसे Mixup barcodes, Chromatic TDA): ये अक्सर एसिमेट्रिक (asymmetric), रिडक्शन-हैवी (सिम्प्लेक्स काउंट में क्यूबिक कॉम्प्लेक्सिटी की आवश्यकता) होते हैं, या इनमें स्टेबिलिटी और सैंपलिंग थ्योरी का अभाव होता है।

लक्ष्य एक एकल, स्केल-डिपेंडेंट इंटीजर इनवेरिएंट (integer invariant) को परिभाषित करना है जो पाँच वांछित गुणों (desiderata) को संतुष्ट करता हो: (P1) क्लाउड्स के अलग होने पर शून्य हो जाता है; (P2) घने सैंपल्स के लिए अंतर्निहित आकार के टोपोलॉजिकल इनवेरिएंट के रूप में स्थिर होता है; (P3) सिमेट्रिक है और किसी भी $k$ के लिए परिभाषित है; (P4) पर्टरबेशन (perturbations) के तहत स्थिर है; और (P5) कम्प्यूटेशनल रूप से सुलभ है और वेक्टरिज़ेशन के बिना सीधे सांख्यिकीय अनुमान (statistical inference) में उपयोग के योग्य है।

कार्यप्रणाली (Methodology)
यह पेपर इंटरसेक्शन यूलर कैरेक्टरिस्टिक प्रोफाइल (Intersection ECP) को पेश करता है, जिसे $\Delta\chi(t)$ द्वारा दर्शाया गया है, जो पॉइंट क्लाउड्स के टुपल और एक स्केल वेक्टर $t = (t_1, \dots, t_k)$ के लिए परिभाषित है।

यूलर कैलकुलस फ्रेमवर्क: इसका निर्माण कंस्ट्रक्टिबल फंक्शन्स (constructible functions) पर यूलर कैलकुलस के सिद्धांत पर आधारित है। प्रत्येक क्लाउड $X_i$ के लिए, एक स्केल-पैरामेट्राइज्ड इंडिकेटर फंक्शन $1_{U(X_i; t_i)}$ परिभाषित किया गया है, जहाँ $U(X_i; t_i)$ बिंदुओं के सेट $X_i$ के केंद्रों पर त्रिज्या $t_i$ के बॉल्स का यूनियन है।
द इंटरसेक्शन थ्योरम: मुख्य पहचान यूलर इंटीग्रल के प्रोडक्ट फॉर्मूला से प्राप्त होती है:
$\Delta\chi(t) = \int_{\mathbb{R}^d} \prod_{i=1}^k 1_{U(X_i; t_i)} \, d\chi = \chi\left( \bigcap_{i=1}^k U(X_i; t_i) \right)$
यह स्थापित करता है कि इंडिकेटर्स का यूलर इंटीग्रल ज्यामितीय इंटरसेक्शन (geometric intersection) के बॉल्स यूनियंस के यूलर कैरेक्टरिस्टिक के बराबर है।
कम्यूटिंग स्क्वायर (Commuting Square): निर्माण एक कम्यूटिंग स्क्वायर के माध्यम से तथ्यपूर्ण होता है जहाँ ज्यामितीय इंटरसेक्शन ( $\cap$ ) और बीजगणितीय गुणन ( $\prod$ ) यूलर इंटीग्रल के तहत विनिमेय (interchangeable) हैं।
रिफाइनमेंट (Refinement): उन मामलों को संबोधित करने के लिए जहाँ बेटी नंबर्स (Betti numbers) के कैंसिलेशन के कारण यूलर कैरेक्टरिस्टिक शून्य हो जाता है (जैसे कि एक एनुलस/annulus), यह पेपर सिमेट्राइज्ड लीव-वन-आउट रिलेटिव मॉड्यूल्स ( $RPH_*$ ) का उपयोग करके एक रिलेटिव-होमोलॉजी रिफाइनमेंट (Relative-Homology Refinement) प्रस्तावित करता है। यह उन "छिपे हुए" इंटरेक्शन को पकड़ता है जिन्हें $\Delta\chi$ संकुचित (compress) कर देता है।
इंटरेक्शन स्पेक्ट्रम: पेपर ग्रेडेड फैमिली ऑफ डिस्क्रिप्टर्स $\chi(C_j)$ को परिभाषित करता है, जहाँ $C_j$ वह क्षेत्र है जहाँ कम से कम $j$ क्लाउड्स ओवरलैप होते हैं। $\Delta\chi$ शीर्ष फ्लोर ( $j=k$ ) के अनुरूप है।

मुख्य योगदान

यूनिवर्सैलिटी और कैनोनिसिटी (Universality and Canonicity): इंटरसेक्शन ECP को एक टुपल के लिए अद्वितीय पॉइंटवाइज-यूलर इंटरेक्शन प्रोफाइल सिद्ध किया गया है जो सेपरेशन (खाली ओवरलैप पर शून्य होना) और नॉर्मलाइजेशन (एक सिंगल कॉन्ट्रैक्टिबल लेंस पर 1 होना) को संतुष्ट करता है। इसके अतिरिक्त, एक मल्टीवैल्यूएशन तर्क (हाडविगर प्रमेय का सामान्यीकरण) इस सारांश को स्वयं यूलर कैरेक्टरिस्टिक बनाता है, जिससे यह निर्माण मनमाना होने के बजाय एक्सिओमैटिक रूप से अनिवार्य (axiomatically forced) हो जाता है।
स्टेबिलिटी (Stability): प्रोफाइल को पॉइंट क्लाउड्स के हाउस्डॉर्फ पर्टरबेशन (Hausdorff perturbations) के तहत $L^1$ -स्टेबल और बॉटलनेक-स्टेबल सिद्ध किया गया है। विशेष रूप से, अंतर्निहित इंटरसेक्शन फिल्ट्रेशन, यदि क्लाउड्स हाउस्डॉर्फ दूरी में $\epsilon$ -क्लोज हैं, तो $\epsilon$ -इंटरलीव्ड है।
सैंपलिंग कंसिस्टेंसी (Sampling Consistency): एक पॉजिटिव रीच हाइपोथेसिस के तहत, प्रोफाइल अंतर्निहित आकारों के टोपोलॉजिकल इंटरेक्शन को लगातार रिकवर करता है। यह हर रेगुलर स्केल पर पॉपुलेशन यूलर कैरेक्टरिस्टिक को रिकवर करता है और सैंपल के लिए रेगुलर स्केल पर सटीक रूप से (पॉइंटवाइज) रिकवर करता है, जिसमें स्पष्ट सैंपल कॉम्प्लेक्सिटी बाउंड्स दिए गए हैं।
एल्गोरिद्मिक एफिशिएंसी (Algorithmic Efficiency): पेपर डायगोनल प्रोफाइल $\Delta\chi(r)$ $Δ χ (r)$ को कंप्यूट करने के लिए एक अल्फा कॉम्प्लेक्स के सिंगल सॉर्टेड स्वीप का उपयोग करके एक एल्गोरिदम प्रस्तुत करता है।
- जटिलता (Complexity): $n$ कुल बिंदुओं के लिए $O(n^{\lceil d/2 \rceil} \log n)$ समय और $O(n^{\lceil d/2 \rceil})$ स्पेस।
- लाभ: मिक्सअप बारकोड्स या क्रोमैटिक TDA के विपरीत, इस विधि में कोई पर्सिस्टेंस रिडक्शन नहीं (बाउंड्री मैट्रिक्स कंप्यूटेशन) की आवश्यकता होती है, जिससे सिम्प्लेक्स की संख्या में क्यूबिक कॉम्प्लेक्सिटी से बचा जा सकता है। सम (even) आयामों के लिए, यह फिल्ट्रेशन-मैटेरियलाइजिंग एल्गोरिदम के बीच वर्स्ट-केस ऑप्टिमल है।

परिणाम

जियोमेट्रिक डिस्क्रिमिनेशन (Geometric Discrimination): प्रोफाइल उन ज्यामितीय कॉन्फ़िगरेशन (जैसे ओवरलैपिंग बनाम एनसर्कलिंग) के बीच अंतर करता है जिन्हें सिंगल-क्लाउड पर्सिस्टेंस नहीं कर पाता।
फ्रैक्टल ग्रोथ रेट्स (Fractal Growth Rates): पेपर स्केल $r \to 0$ होने पर $|\Delta\chi|$ के ग्रोथ रेट के लिए बाउंड्स स्थापित करता है, जो इंटरेक्शन ज़ोन्स के बॉक्स-काउंटिंग डायमेंशन से जुड़ा है।
कोर्सनिंग की सीमाएं (Limitations of Coarsening): पेपर स्पष्ट रूप से प्रदर्शित करता है कि $\Delta\chi$ एक "स्ट्रिक्ट कोर्सनिंग" है। यह टोपोलॉजिकली नॉन-ट्रिवियल ओवरलैप्स (जैसे एक एनुलस या टोरस शेल जहाँ $\chi=0$ ) पर शून्य हो सकता है। ऐसे मामलों में, इंटरेक्शन को रिकवर करने के लिए रिलेटिव-होमोलॉजी रिफाइनमेंट आवश्यक है, हालांकि इसमें उच्च कम्प्यूटेशनल लागत आती है।
तुलना: इंटरसेक्शन ECP को एकमात्र इनवेरिएंट दिखाया गया है जो सिमेट्री, $k$ -जनरैलिटी, ज्यामितीय सटीकता, कम्प्यूटेशनल दक्षता (नो रिडक्शन), और इन्फरेंस-रेडीनेस (स्केलर कर्व) को एक साथ संतुष्ट करता है।

महत्व और दावे

पेपर का दावा है कि इंटरसेक्शन ECP केवल एक नया डिस्क्रिप्टर नहीं है, बल्कि एक मेज़रमेंट इंस्ट्रूमेंट (measurement instrument) है जिसे विशेष रूप से TDA के "मेज़रमेंट रिजीम" के लिए डिज़ाइन किया गया है। इसका महत्व इसके निम्नलिखित गुणों में निहित है:

एक्सिओमैटिकली फोर्स्ड (Axiomatically Forced): यह एक स्वाभाविक सेपरेशन और नॉर्मलाइजेशन एक्सिओम के तहत एक सिमेट्रिक, स्केल-डिपेंडेंट इंटरेक्शन इनवेरिएंट को परिभाषित करने की समस्या का एकमात्र समाधान है।
स्केल पर कम्प्यूटेशनल रूप से व्यवहार्य: पर्सिस्टेंस रिडक्शन से बचकर, यह जनसंख्या-स्तर के डेटा (जैसे न्यूरल नेटवर्क या डायनेमिकल सिस्टम्स में कई लेयर्स, एपोक्स या सीड्स में) के विश्लेषण को सक्षम बनाता है जहाँ क्यूबिक-कॉम्प्लेक्सिटी विधियाँ विफल हो जाती हैं।
सांख्यिकीय रूप से तैयार: एक डायग्राम के बजाय एक स्केलर कर्व के रूप में, यह बिना किसी लॉस्य वेक्टरइजेशन स्टेप के सीधे सांख्यिकीय अनुमान और लर्निंग में प्रवेश करता है।

लेखक इंटरसेक्शन ECP को डिस्क्रिप्टर्स के एक स्पेक्ट्रम के "टॉप फ्लोर" के रूप में स्थापित करते हैं, जो एक सिद्धांतपूर्ण ट्रेड-ऑफ प्रदान करता है: यह पर्सिस्टेंस डायग्राम की ग्रेडेड होमोलॉजिकल डिटेल के बदले सटीक इंटीजर रिकवरेबिलिटी, स्टेबिलिटी और कम्प्यूटेशनल ट्रैक्टेबिलिटी को चुनता है। जहाँ यूलर कैरेक्टरिस्टिक कैंसिल होता है, वहां पेपर एक सिद्धांतपूर्ण "एस्केलेशन" के रूप में रिलेटिव होमोलॉजी का प्रस्ताव करता है, लेकिन यह बनाए रखता है कि $\Delta\chi$ स्केलेबल इंटरेक्शन मेजरमेंट के लिए प्राथमिक इनवेरिएंट है।

इसी तरह के और पेपर