🤖 machine learning

Non-negative Matrix Factorisation with Topological Regularisation

Questo articolo propone un nuovo framework di Fattorizzazione di Matrici Non Negative che migliora l'interpretabilità delle basi apprese incorporando l'omologia persistente come un regolarizzatore topologico stabile e privo di soglie, unificando così la modellazione di immagini spazialmente coerenti, serie temporali periodiche e segnali di grafi di tipo clique.

Autori originali: Matias de Jong van Lier, Shizuo Kaji, Keunsu Kim

Pubblicato 2026-06-17

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Matias de Jong van Lier, Shizuo Kaji, Keunsu Kim

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di avere un mucchio gigante e disordinato di mattoncini Lego. Il tuo obiettivo è capire quali erano le forme semplici e originali che sono state usate per costruire ogni singola struttura nel mucchio. Questo è essenzialmente ciò che un algoritmo per computer chiamato Non-Negative Matrix Factorization (NMF) fa. Cerca di scomporre dati complessi (come immagini, suoni o grafi) in un insieme di "blocchi costruttivi" di base (chiamati basi) che possono essere mescolati insieme per ricreare il dato originale.

Il problema è che la NMF standard è un po' come un bambino che gioca con i Lego: può trovare un modo per ricostruire le strutture, ma i "blocchi costruttivi" che inventa potrebbero essere strani, frammentati o privi di senso. Potrebbe creare un blocco che è metà ruota e metà porta, solo perché matematicamente si adatta ai numeri, anche se non ha senso nel mondo reale.

Questo articolo presenta un nuovo metodo chiamato Top-NMF (Topological NMF). Pensa a questo come al dare al computer un insieme di regole di "buon senso" su come dovrebbe apparire un buon blocco costruttivo, basandosi sulla forma dei dati.

Ecco come funziona, usando analogie semplici:

1. Il Problema: le "Soglie" sono inaffidabili

Di solito, per controllare se una forma è "connessa" (come un pezzo unico di argilla) o "rotta" (come due ciottoli separati), devi tracciare una linea. "Se l'argilla è più alta di questa linea, conta; se è più bassa, non conta".

Il Problema: Se sposti quella linea su o giù anche solo di un pochino, un singolo pezzo connesso potrebbe improvvisamente sembrare due pezzi separati, o due pezzi separati potrebbero sembrare uno solo. Questo rende difficile per il computer imparare in modo fluido perché le regole cambiano continuamente con piccoli aggiustamenti.

2. La Soluzione: "Persistent Homology" (La telecamera "Time-Lapse")

Invece di tracciare una singola linea, la Top-NMF usa una tecnica chiamata Persistent Homology. Immagina di scattare un video in time-lapse di un castello di sabbia che viene costruito mentre la marea sale.

Non guardi solo il castello a un livello dell'acqua specifico. Guardi l'intero processo.
Vedi quando una torre appare (nasce) mentre l'acqua si ritira e quando scompare (muore) mentre l'acqua sale.
La Magia: Se una torre dura per molto tempo prima che l'acqua la porti via, è una struttura reale e forte. Se un piccolo rilievo appare e scompare istantaneamente, è solo rumore.
La Top-NMF usa questa vista "time-lapse" per misurare la "forma" dei dati senza confondersi con piccole fluttuazioni casuali. Fornisce al computer un modo stabile e fluido per dire: "Questo è un pezzo solido e connesso", oppure "Questo è un anello", o "Questo è un ciclo".

3. Come cambia l'apprendimento (Il "Punteggio Topologico")

L'articolo aggiunge una nuova regola al processo di apprendimento del computer. Dice: "Non cercare solo di ricostruire i dati perfettamente; cerca anche di fare in modo che i tuoi blocchi costruttivi abbiano la forma corretta".

L'articolo testa questo su tre diversi tipi di dati:

Immagini (La regola del "Blob Connesso"):
- Obiettivo: Se stai scomponendo l'immagine di un volto, vuoi che i blocchi costruttivi siano parti connesse (come un naso intero o un occhio intero), non un naso diviso in tre piccoli punti disconnessi.
- Risultato: La Top-NMF impara a creare basi che sono blob solidi e connessi, mentre il metodo standard crea pezzi frammentati e sparsi.
Grafi (La regola del "Clique Sociale"):
- Obiettivo: Immagina un grafo che rappresenta amicizie. Vuoi trovare gruppi di persone che sono tutti amici tra loro (un "clique").
- Risultato: La Top-NMF impara a trovare questi gruppi densi e compatti. Il metodo standard potrebbe mescolare persone di gruppi diversi. La Top-NMF agisce come un detective che dice: "Queste persone formano un cerchio perfetto di amici; teniamole insieme".
Serie Temporali (La regola del "Ritmo"):
- Obiettivo: Se stai analizzando un battito cardiaco o una canzone, vuoi separare il "ritmo" costante (il ritmo) dal "trend" (la canzone che diventa più forte o più piano).
- Risultato: La Top-NMF può essere istruita: "Trovami un blocco che sia perfettamente circolare (un ciclo nel tempo, ovvero che si ripete)". Essa riesce a separare con successo il ritmo che si ripete dal trend che non si ripete, mentre il metodo standard li mescola tra loro.

4. Il Compromesso

L'articolo nota che c'è un equilibrio da mantenere.

La NMF standard è come un perfezionista che si cura solo che l'immagine finale sembri esattamente giusta, anche se i pezzi usati per farla sono strani.
La Top-NMF è come un insegnante che dice: "L'immagine può essere quasi perfetta, ma i pezzi che usi devono essere logici e ben formati".
A volte, i pezzi "logici" non ricostruiscono l'immagine in modo quasi altrettanto perfetto rispetto ai pezzi "strani", ma il risultato è molto più facile da comprendere per un essere umano.

Riassunto

In breve, questo articolo insegna ai computer a guardare i dati non solo come un elenco di numeri, ma come forme. Usando una telecamera matematica "time-lapse" (Persistent Homology), il computer impara a preferire blocchi costruttivi che siano connessi, con cicli o raggruppati in modi che abbiano senso per il tipo specifico di dati che sta osservando. Questo rende i risultati molto più interpretabili e utili per gli esseri umani.

Riassunto Tecnico: NMF con Regolarizzazione Topologica (Top-NMF)

Definizione del Problema

La Fattorizzazione di Matrici Non Negative (NMF) è una tecnica standard per decomporre dati additivi non negativi in rappresentazioni interpretabili e basate su parti. Tuttavia, la NMF standard spesso produce vettori di base che, pur ottenendo un basso errore di ricostruzione, mancano di coerenza strutturale. Una base sparsa può essere frammentata in componenti disconnesse, e una base fluida può sfocare regioni semanticamente distinte. I metodi di regolarizzazione esistenti (ad esempio, sparsità, fluidità o coefficienti regolarizzati tramite grafo) non riescono a controllare direttamente la struttura topologica globale dei supporti della base. Inoltre, i tentativi ingenui di imporre la topologia tramite supporti sogliati sono ostacolati dalla discontinuità e dalla dipendenza dalla soglia, rendendoli inadatti all'ottimizzazione continua.

Il problema centrale affrontato è come apprendere funzioni di base NMF che siano non solo ricostruttive, ma che possiedano anche specifiche proprietà topologiche appropriate al dominio (ad esempio, connettività nelle immagini, periodicità nelle serie temporali o strutture simili a clique nei grafi) in modo compatibile con l'ottimizzazione basata sul gradiente.

Metodologia

Prospettiva Funzionale e Regolarizzazione Topologica

Gli autori propongono Top-NMF, un framework che tratta i vettori di base non semplicemente come righe di una matrice, ma come funzioni non negative $v: \Omega \to \mathbb{R}_{\geq 0}$ definite su un dominio strutturato $\Omega$ (ad esempio, griglie di immagini, grafi o serie temporali). La funzione obiettivo aumenta la perdita di ricostruzione standard con una penalità topologica:
$\min_{W, V \geq 0} L_{\text{recon}}(X, WV) + \lambda_{\text{top}} L_{\text{top}}(V)$
dove $L_{\text{top}}(V) = \sum Q(v_j)$ è una somma di punteggi topologici scalari derivati dalle funzioni di base.

L'Omologia Persistente come Quantificatore Continuo

Per superare l'instabilità della topologia dipendente dalla soglia, il metodo impiega l'omologia persistente (PH). Invece di analizzare un singolo supporto sogliato, Top-NMF costruisce una filtrazione di superlivello (o una filtrazione derivata per le serie temporali) da ogni funzione di base. La PH traccia la nascita e la morte delle caratteristiche topologiche (componenti connesse, buchi) attraverso tutte le soglie, fornendo un riepilogo stabile e privo di dipendenza dalla soglia.

Lo score topologico $Q(v)$ è un funzionale scalare derivato dal diagramma di persistenza. Il documento utilizza la persistenza quadratica totale (e le sue varianti pesate) come un proxy differenziabile per le proprietà topologiche. Minimizzare questo score incoraggia specifici priori strutturali:

Connettività (Immagini/Segnali 1D): Penalizzare le barre di persistenza 0-dimensionali finite (che rappresentano componenti connesse che si fondono a soglie inferiori) incoraggia un supporto singolo e connesso.
Periodicità (Serie Temporali): Utilizzando embedding a finestra scorrevole e filtrazioni di Vietoris–Rips, il metodo punta alla persistenza 1-dimensionale (buchi) per identificare strutture circolari. Una penalità basata su un target $(Per(v) - a)^2$ permette agli utenti di specificare i livelli di periodicità desiderati.
Strutture Simili a Clique (Grafi): Per grafi con pesi sugli archi, viene introdotto un nuovo funzionale promotore di clique ( $CP_\alpha$ ). Questo score è derivato dalla persistenza della filtrazione del grafo e può essere espresso in forma chiusa tramite un albero coprente di peso massimo, premiando la fusione ritardata dei gruppi di vertici (alta 0-persistenza) e la formazione precoce di cicli (alta 1-persistenza), promuovendo efficacemente sottografi densi e simili a clique.

Ottimizzazione

Il problema di ottimizzazione risultante è non liscio e non convesso. Gli autori lo formulano all'interno del framework della geometria tame (strutture o-minimali). Utilizzano un metodo del subgradiente proiettato (nello specifico utilizzando AdamW negli esperimenti) dove il subgradiente del termine topologico è calcolato tramite la regola della catena attraverso il diagramma di persistenza o la formulazione esplicita dell'albero coprente. Le garanzie teoriche (Proposizione 6 e Teorema 7) stabiliscono che i punti di accumulazione degli iterati sono punti stazionari di Clarke sotto ipotesi standard.

Contributi Chiave

Formulazione Funzionale: Il documento formula la NMF da una prospettiva funzionale su domini strutturati, fornendo un linguaggio unificato per definire i priori topologici per immagini, serie temporali e grafi.
Quantificatori Topologici Differenziabili: Dimostra come l'omologia persistente trasformi i criteri di interpretabilità discreti in regolarizzatori ottimizzabili, evitando la dipendenza dalla soglia dell'analisi del supporto tradizionale.
Istanziazioni Specifiche per Dominio:
- Sviluppo di penalità di connettività e assenza di buchi per le basi di immagini e segnali.
- Introduzione di uno score di periodicità per le basi di serie temporali tramite embedding a finestra scorrevole.
- Proposta di un regolarizzatore promotore di clique ( $CP_\alpha$ ) per i segnali di grafo, presentato come un nuovo descrittore basato sull'omologia persistente per grafi con pesi sugli archi, con utilità indipendente dalla NMF.
Validazione Empirica: Il framework è valutato su dataset sintetici e reali, mostrando come Top-NMF recuperi basi strutturalmente coerenti (ad esempio, picchi unimodali, barre connesse, sottografi a clique) che la NMF standard non riesce a isolare, spesso con un errore di ricostruzione competitivo.

Risultati Sperimentali

Gli autori valutano Top-NM across quattro domini:

Segnali 1D: Nel recupero di picchi gaussiani unimodali da miscele, Top-NMF ha raggiunto un punteggio di recupero degli atomi significativamente più alto (0.997 vs 0.772 per la NMF standard) penalizzando i massimi locali secondari, nonostante un leggero aumento della RMSE di ricostruzione.
Immagini: Su atomi a barra sintetica e glifi Hangul, Top-NMF ha recuperato con successo componenti connesse singole (numero di Betti $\beta_0 = 1.0$ ), mentre la NMF standard ha prodotto basi frammentate ( $\beta_0 > 1.6$ ).
Grafi: Su miscele di clique sintetiche e dati reali di contatto scolastico SocioPatterns, Top-NMF ha separato con successo componenti simili a clique. Nel setting reale, le basi di Top-NMF hanno mostrato una massa di archi intra-classe superiore (0.995 vs 0.966) rispetto alla NMF standard e ai baseline regolarizzati tramite rete.
Serie Temporali: Nella separazione di segnali periodici dai trend, Top-NMF ha isolato con successo componenti periodiche distinte (coseno, onda triangolare) e un trend, mentre la NMF standard ha miscelato queste caratteristiche. Applicato ai dati ECG MIT-BIH, il metodo ha prodotto basi ritmiche e componenti residue; utilizzando solo le basi periodiche per la ricostruzione, ha ottenuto un AUROC elevato (0.955) per il rilevamento di contrazioni ventricolari premature (PVC) come anomalie, superando la NMF standard (0.105).

Significato e Rivendicazioni

Il documento afferma che Top-NMF fornisce un framework modulare per codificare i priori strutturali specifici del dominio direttamente nell'obiettivo di fattorizzazione della matrice. Il suo significato primario risiede nello spostare il ruolo dell'omologia persistente da estrattore di feature post-hoc a componente integrante del processo di apprendimento.

Gli autori sottolineano che il metodo non garantisce l'ottimalità globale né risolve il problema generale dell'identificabilità della NMF; piuttosto, seleziona soluzioni strutturalmente preferibili dall'insieme di fattorizzazioni ambigue in base al prior topologico imposto. Il lavoro suggerisce che l'omologia persistente serva come linguaggio di modellazione formale per definire le caratteristiche strutturali desiderate delle rappresentazioni apprese, consentendo l'apprendimento di basi che siano sia ricostruttive che topologicamente interpretabili.

Il documento riconosce i limiti, incluso l'overhead computazionale del calcolo dell'omologia persistente (sebbene mitigato da formulazioni efficienti tramite alberi coprenti per i grafi) e la dipendenza dalle costruzioni del dominio specificate dall'utente (ad esempio, tipi di filtrazione, dimensioni di embedding). Posiziona Top-NMF come uno strumento per i ricercatori per iniettare la conoscenza del dominio riguardo a "buone" strutture di base nel processo di apprendimento non supervisionato, piuttosto che come una procedura di scoperta automatizzata.