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

Dit artikel introduceert de Topologische Stabiliteitsindex (TSI), een op variantie gebaseerde scalaire maatstaf voor persistentiebarcodes die de absolute spreiding van levensduur kwantificeert en door het vastleggen van structurele variabiliteit in stochastische fluctuaties, terwijl het ongevoelig blijft voor deterministische trends, de op entropie gebaseerde samenvattingen aanvult.

De kern

Stel je voor dat je een detective bent die probeert de vorm van een mysterieus object te begrijpen door naar zijn "vingerafdruk" te kijken. In de wereld van datawetenschap heet deze vingerafdruk een persistentiebarcode. Het is een lijst van lijnen (of "balken") waarbij de lengte van elke lijn je vertelt hoe lang een specifiek kenmerk (zoals een gat of een lus) blijft bestaan terwijl je in en uitzoomt op je data.

Lange tijd hadden wetenschappers een hulpmiddel genaamd Persistent Entropie om deze barcodes samen te vatten. Denk aan Persistent Entropie als een kok die soep proeft en alleen geïnteresseerd is in de verhouding van de ingrediënten. Als je een soep hebt met 1 deel zout en 99 delen water, of een soep met 10 delen zout en 990 delen water, is de verhouding hetzelfde. De kok zegt: "Dit smaakt hetzelfde."

Maar wat als de grootte van de soep uitmaakt? Wat als de ene pot een klein kopje is en de andere een gigantisch bad? De verhouding is hetzelfde, maar de ervaring is totaal anders. De oude hulpmiddelen konden het verschil niet zien tussen een klein, uniform soepje en een massieve, chaotische soep.

Dit artikel introduceert een nieuw hulpmiddel genaamd de Topologische Stabiliteitsindex (TSI) om dat op te lossen.

De nieuwe hulpmiddelen: TSI en TSigI

De auteurs stellen een tweeledig systeem voor om een barcode te beschrijven, net zoals je een menigte mensen beschrijft aan de hand van hun gemiddelde lengte en hun variatie in lengte.

1. De Topologische Signaalin dex (TSigI): De "Gemiddelde Lengte"

   • Wat het is: Dit meet de typische grootte van de balken.
   • De Analogie: Stel je een groep mensen voor. TSigI vertelt je de gemiddelde lengte van de groep. Als iedereen 1,80 meter lang is, is het gemiddelde 1,80. Als je één reus en veel kleine mensen hebt, kan het gemiddelde nog steeds 1,80 zijn, maar het vertelt niet het hele verhaal. Het vangt de "signaalsterkte" of de algemene schaal van de kenmerken.

2. De Topologische Stabiliteitsindex (TSI): De "Lengtevariatie"

   • Wat het is: Dit meet hoe verspreid de balklengtes zijn. Het berekent de variantie (de statistische spreiding).
   • De Analogie: Terug naar de menigte.
     • Scenario A: Iedereen is precies 1,80 meter lang. De "spreiding" is nul. De TSI is laag.
     • Scenario B: Je hebt één persoon van 2,10 meter en één van 1,50 meter. Het gemiddelde is nog steeds 1,80, maar de groep is "rommelig" of "heterogeen". De TSI is hoog.
   • Waarom het belangrijk is: De TSI is gevoelig voor de absolute verschillen. Het kan je vertellen of een barcode een paar enorme, dominante kenmerken en veel kleine heeft (hoge TSI), versus een barcode waar alle kenmerken ongeveer even groot zijn (lage TSI).

De geheime connectie: De "genormaliseerde" versie

De auteurs hebben ook een "genormaliseerde" versie gemaakt genaamd cvTSI.

• De Analogie: Stel je voor dat je de "rommeligheid" van een klein plasje wilt vergelijken met die van een enorme oceaan. Je kunt niet gewoon de ruwe spreiding van de golven meten, omdat de oceaan van nature groter is. Je moet het genormaliseren.
• De Magische Link: Het artikel bewijst dat deze genormaliseerde rommeligheid (cvTSI) wiskundig verbonden is met een concept uit de informatietheorie genaamd Rényi Entropie.
  • Denk eraan als twee verschillende talen die hetzelfde verhaal vertellen. Eén taal (Entropie) gebruikt logaritmen om het verhaal te comprimeren, terwijl de andere (cvTSI) een rechte lijn gebruikt (variantie). Ze vertellen je hetzelfde over de verdeling van de balken, maar benadrukken verschillende details. Het artikel toont aan dat je perfect tussen hen kunt vertalen.

Wat de experimenten lieten zien

De auteurs testten deze hulpmiddelen op synthetische data (zoals door computers gegenereerde vormen en willekeurige tijdreeksen) om te zien hoe ze zich gedragen in vergelijking met de oude hulpmiddelen.

1. Deterministisch versus Willekeurig:

   • Toen ze een constante, voorspelbare trend (zoals een rechte lijn die omhoog gaat) aan hun data toevoegden, veranderden de oude hulpmiddelen (Entropie) en de nieuwe hulpmiddelen (TSI) niet veel. Ze zijn goed in het negeren van saaie, voorspelbare patronen.
   • Echter, toen ze willekeurige ruis toevoegden (zoals statisch op een radio of het schudden van een camera), sprong de TSI omhoog. Het is zeer goed in het detecteren van "chaos" of willekeurige fluctuaties. Het zegt je: "Hé, de kenmerken zijn overal verspreid!"

2. Het "Korte Balk"-probleem:

   • Het artikel geeft een eigenaardigheid toe: Als je een kleine, bijna onzichtbare balk aan je lijst toevoegt, verandert de TSI. Het is alsof je één zeer korte persoon toevoegt aan een kamer vol reuzen; de "variantie" van de kamer verandert direct.
   • Het oude Entropie-hulpmiddel is gladder en geeft minder om het toevoegen van een kleine balk.
   • De les: TSI is geweldig voor het zien van grote structurele veranderingen en willekeurige ruis, maar het is een beetje "springerig" als je data veel kleine, ruizige kenmerken bevat.

Samenvatting in gewone taal

• Oude manier (Entropie): "Hoe gelijkmatig zijn de kenmerken verdeeld?" (Negeert de werkelijke grootte).
• Nieuwe manier (TSI + TSigI): "Hoe groot zijn de kenmerken gemiddeld?" (TSigI) EN "Hoeveel variëren ze in grootte?" (TSI).
• Het resultaat: De nieuwe hulpmiddelen geven je een beter beeld van structurele variabiliteit. Ze kunnen het verschil zien tussen een systeem dat uniform chaotisch is en een systeem dat een paar dominante kenmerken heeft gemengd met ruis. Ze zijn bijzonder goed in het opsporen van willekeurige fluctuaties in data, wat de oude hulpmiddelen soms missen.

Kortom, het artikel geeft datawetenschappers een nieuwe liniaal (TSI) om de "rommeligheid" van de vorm van hun data te meten, wat de oude liniaal aanvult die alleen de "balans" van de vorm mat.

Technische samenvatting

Technische Samenvatting: De Topologische Stabiliteitsindex

Probleemstelling

Topologische Data-analyse (TDA) maakt gebruik van persistentiediagrammen en streepcodes om de evolutie van topologische kenmerken over schalen weer te geven. Hoewel deze representaties rijk en stabiel zijn, blijft de integratie ervan met standaard statistische hulpmiddelen uitdagend vanwege het ontbreken van een eenvoudige lineaire of convexe structuur in de ruimte van persistentiediagrammen.

Bestaande scalaire samenvattingen, zoals persistente entropie, lossen dit op door streepcodes af te beelden op enkele waarden. Persistente entropie is echter afhankelijk van de genormaliseerde verdeling van persistentielevensduren (relatieve gewichten). Bijgevolg is het schaal-invariant en faalt het om absolute dispersie of verschillen in de grootte van persistentielevensduren te vangen. In veel toepassingen zijn absolute verschillen in schaal en variabiliteit betekenisvolle indicatoren voor structurele heterogeniteit, maar deze gaan verloren in op entropie gebaseerde samenvattingen. Er is behoefte aan een scalaire maatstaf die de absolute dispersie van persistentielevensduren kwantificeert, terwijl deze gevoelig blijft voor structurele heterogeniteit.

Methodologie

De auteurs introduceren de Topologische Stabiliteitsindex (TSI), een op variantie gebaseerde scalaire maatstaf gedefinieerd als de steekproefvariantie van de multiset van persistentielevensduren.

1. Definitie en Kern Eigenschappen

Laat $B$ een persistentiestreepcode zijn met $n_B$ strepen en levensduren $\ell_i = d_i - b_i$. De TSI wordt gedefinieerd als:
$$\text{TSI}(B) := \text{Var}(L_B) = \frac{1}{n_B - 1} \sum_{i=1}^{n_B} \left( \ell_i - \frac{L_B}{n_B} \right)^2$$
waarbij $L_B = \sum \ell_i$ de totale persistentie is.

Belangrijke vastgestelde wiskundige eigenschappen zijn:

• Schaling: De TSI schaalt kwadratisch ($c^2$) onder uniforme schaling van de filtratiewaarden.
• Translatie-invariantie: De TSI is invariant onder uniforme translatie van doodtijden (het verschuiven van alle levensduren met een constante), mits het aantal strepen constant blijft.
• Extreem Karakterisering: Voor een vast aantal strepen en vaste totale persistentie wordt de TSI geminimaliseerd (nul) wanneer alle levensduren gelijk zijn, en gemaximaliseerd wanneer de persistentie geconcentreerd is in één enkele streep.
• Bijwerkformules: Expliciete recursieve formules worden afgeleid voor de TSI bij het invoegen of verwijderen van een streep, wat gevoeligheid toont voor de afwijking van de lengte van de nieuwe streep van het bestaande gemiddelde.
• Stabiliteit: Hoewel de TSI niet continu is bij het invoegen van willekeurig korte strepen (vanwege veranderingen in de normalisatie van de steekproefgrootte), accepteert het kwantitatieve grenzen ten opzichte van het lege diagram en de bottleneck-afstand wanneer het aantal strepen vaststaat.

2. Complementaire Signaalindex

Om de typische schaal van levensduren te vangen, definiëren de auteurs de Topologische Signaallindex (TSigI):
$$\text{TSigI}(B) := \frac{\sum \ell_i^2}{\sum \ell_i}$$
Dit wordt geïnterpreteerd als een persistentie-gewogen gemiddelde levensduur. Samen vormen $(\text{TSigI}(B), \text{TSI}(B))$ een tweedimensionale samenvatting die zowel de grootte (signaalsterkte) als de dispersie (structurele variabiliteit) van de streepcode codeert.

3. Genormaliseerde Versie en Entropie-connectie

Om de kloof tussen op variantie gebaseerde en op entropie gebaseerde samenvattingen te overbruggen, wordt een genormaliseerde versie, cvTSI, geïntroduceerd:
$$\text{cvTSI}(B) := \frac{\text{TSI}(B)}{(\bar{\ell}_B)^2}$$
waarbij $\bar{\ell}_B$ de gemiddelde streplengte is.

• Schaal-invariantie: cvTSI is invariant onder uniforme schaling.
• Relatie met Rényi-entropie: De auteurs bewijzen een exact algebraïsch verband tussen cvTSI en de Rényi-entropie van orde twee ($H_2$). Specifiek is cvTSI een affiene functie van de botsingswaarschijnlijkheid $\sum p_i^2$ (waarbij $p_i$ genormaliseerde levensduren zijn). Aldus is cvTSI een monotone herparametrisatie van $H_2$.
• Taylor-ontwikkeling: Nabij de uniforme verdeling kan de persistente entropie $E(B)$ worden benaderd als een lineaire functie van cvTSI, wat aantoont dat cvTSI de leidende kwadratische afwijking van entropie van zijn maximum vastlegt.

Belangrijkste Resultaten

Het artikel valideert de theoretische eigenschappen en praktische bruikbaarheid van TSI door middel van numerieke experimenten op synthetische geometrische data en stochastische tijdsreeksen:

1. Geometrische Configuraties (Cirkels):

   • In disjuncte en verstrengelde cirkelmodellen convergeert TSI snel naar een asymptotische waarde naarmate de steekproefdichtheid toeneemt, wat robuustheid tegenover steekproefdichtheid aantoont.
   • In tegenstelling tot persistente entropie, die sterk afhankelijk is van de convergentie van geboortetijden naar nul, blijft TSI invariant onder uniforme translaties van de streepcode (bijvoorbeeld variërende steekproefgrootte in disjuncte cirkels).
   • TSI is gevoelig voor lokale verstoringen (kortlevende strepen), terwijl entropie de algehele balans van de genormaliseerde verdeling weerspiegelt.

2. Robuustheid tegen Ruis:

   • Onder toenemende Gaussische of uniforme ruis neemt TSI snel af naar nul naarmate dominante kenmerken worden vernietigd en levensduren uniform klein worden.
   • Daarentegen neemt persistente entropie monotoon toe naarmate de verdeling van levensduren uniformer wordt (veel kortlevende kenmerken).
   • cvTSI vertoont niet-monotoon gedrag, met een piek wanneer een mengsel van prominente en kortlevende kenmerken bestaat, voordat het afneemt naarmate ruis dominant wordt.

3. Stochastische Tijdsreeksen (Geometrische Brownse Beweging):

   • Bij analyse van GBM is TSI grotendeels ongevoelig voor deterministische trends (drift), maar reageert sterk op stochastische fluctuaties (volatiliteit).
   • Een toename in volatiliteit leidt tot hogere TSI-waarden, wat een toegenomen dispersie in persistentielevensduren weerspiegelt.
   • Dit staat in contrast met entropie, die slechts een zwakke afhankelijkheid toont van drift en een matige afhankelijkheid van volatiliteit.

Betekenis en Beweringen

Het artikel beweert dat de Topologische Stabiliteitsindex een noodzakelijke aanvulling biedt op bestaande op entropie gebaseerde samenvattingen in TDA. De belangrijkste bijdragen zijn:

• Vangen van Absolute Dispersie: In tegenstelling tot persistente entropie kwantificeert TSI de absolute variabiliteit van persistentielevensduren, waardoor het gevoelig is voor heterogene kenmerkschalen en structurele complexiteit die entropie mist.
• Gecombineerd Perspectief: Via de genormaliseerde cvTSI legt het artikel een direct wiskundig verband tussen op variantie gebaseerde maatstaven en op informatietheorie gebaseerde samenvattingen (Rényi-entropie), waardoor twee verschillende benaderingen voor scalaire samenvatting worden verenigd.
• Complementaire Gevoeligheid: De experimenten tonen aan dat TSI en entropie verschillende aspecten van datastructuur vangen. TSI is relatief ongevoelig voor deterministische trends, maar zeer responsief voor stochastische fluctuaties en variaties in persistentiegrootte.
• Tweedimensionale Samenvatting: Het paar $(\text{TSigI}, \text{TSI})$ biedt een eenvoudige, interpreteerbare tweedimensionale samenvatting die zowel de typische schaal van topologische kenmerken als hun structurele variabiliteit codeert.

De auteurs concluderen dat hoewel TSI beperkingen heeft met betrekking tot continuïteit bij strepinvoeging en afhankelijkheid van het aantal strepen, het dient als een robuuste beschrijver voor structurele heterogeniteit, met name in scenario's waar absolute schaal en dispersie kritiek zijn. Er wordt voorgesteld om in toekomstig werk functionele analogen te ontwikkelen binnen het persistence-curve-kader en asymptotisch gedrag te bestuderen voor statistische inferentie.