💻 computer science

Unreduced Persistence Diagrams for Topological Machine Learning

本文表明，利用从未约减持久图（unreduced persistence diagrams）中提取的拓扑特征构建的机器学习流水线，其性能可以达到甚至优于使用完全约减图（fully-reduced diagrams）的流水线，同时在计算成本和内存效率方面具有显著优势。

原作者： Nicole Abreu, Parker B. Edwards, Francis Motta

发布于 2026-06-19

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Nicole Abreu, Parker B. Edwards, Francis Motta

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在尝试教会计算机识别形状，比如区分圆圈、球体和甜甜圈（圆环）。为了做到这一点，数学家们使用了一种名为**持续同调（Persistent Homology）**的工具。你可以把这个工具想象成一个“拓扑扫描仪”，它观察一团点云，并询问：“哪里有洞？哪里有环？”

该扫描仪会生成一份报告，称为持续图（Persistence Diagram, PD）。这份报告是一系列点，每个点代表一个特征（如一个洞）以及该特征在形状增长过程中“持续”了多久才消失。

问题所在：昂贵的报告

传统上，为了获得这份报告，计算机必须进行大量的繁重工作，称为“约简”（reduction）。这就像一位图书管理员试图通过检查每一本书与其他所有书的关系来整理图书馆，从而去除重复项并找到完美的摘要。这个过程是：

缓慢： 它需要耗费大量时间。
内存饥渴： 它需要大量的计算机 RAM（内存）。
浪费： 作者们注意到了一些奇怪的现象。当他们将这些详细的报告输入到机器学习模型中时，模型往往会忽略大部分信息。这就像图书管理员花了几个小时写了一份 500 页的摘要，但读者其实只需要前三句话就能理解故事。

解决方案：“未约简”的素描

作者提出了一个简单的问题：如果我们完全跳过沉重的编辑过程会怎样？

与其进行完整的“约简”以获得完美的最终报告，他们建议使用未约简持续图（Unreduced Persistence Diagrams）。

类比： 想象你在素描一张脸。 “约简”方法就像一位专业艺术家花费数小时精雕细琢每一条线、擦除错误并完善阴影，最后才向你展示画作。而“未约简”方法则像是直接从原始数据中快速勾勒出主要特征（眼睛、鼻子、嘴巴），而不进行擦除或精修。
结果： 出人意料的是，计算机（机器学习模型）通常仅凭这张快速勾勒的素描，就能识别出这张脸，效果几乎与看到那幅精修杰作时一样好。

他们做了什么

团队开发了一个更快的新版本软件（基于一个名为 Ripser 的流行工具），它跳过了沉重的编辑过程。它不再生成完整的报告，而是生成这些“素描”（他们称之为“未约简图”，或特定类型的如 Low-Ones 和 Quasi-Apparent Pairs）。

他们在三个不同的挑战中测试了它：

形状识别： 在带有噪声的数据中区分圆圈、球体和甜甜圈。
图像分类： 在 Fashion-MNIST 数据集中识别服装单品（如凉鞋与运动鞋）。
脑部扫描回归： 根据人类大脑血管的结构预测年龄。

研究发现

性能： 在几乎所有的测试中，使用“素描”（未约简图）训练的模型表现得与使用“精修报告”（完全约简图）训练的模型一样出色，甚至有时更好。
速度与内存： 这是最大的胜利。因为他们跳过了沉重的编辑工作：
- 新方法使用的内存显著减少（有时甚至减少了 13 倍）。
- 它速度更快，尤其是在使用多核并行处理时。
- 在一种极端情况下，旧方法因内存耗尽而崩溃，而新方法却成功完成了任务。

潜在问题（稳定性）

作者承认，这些“素描”比“精修报告”对噪声更敏感。如果你剧烈地抖动数据，素描形状的变化可能会比精修报告更剧烈。然而，在他们进行的具有现实水平噪声的实验中，这些素描依然保持了足够的稳定性，足以投入使用。

核心结论

论文表明，在拓扑机器学习领域，我们可能在浪费大量的时间和计算能力去追求数据报告的“完美”。通过使用未约理解持续图，我们可以更快、更省内存地获得一个“足够好”的摘要，而且计算机也能同样有效地从中学习。这是一种权衡：用略显粗糙的素描换取速度和效率的大幅提升。

技术摘要：用于拓扑机器学习的未约简持久图

问题陈述

拓扑数据分析（TDA）与监督机器学习（ML）的结合已成为分析生物学、神经科学和材料科学等多个领域复杂数据的标准方法。标准的流水线涉及计算持久同调（PH）以生成持久图（PD），随后对这些图进行向量化，并训练机器学习模型。

然而，在该流水线中观察到了两个关键的效率问题：

信息冗余： 实证证据表明，机器学习模型往往会忽略向量化持久图中所包含的大部分信息。例如，回归任务显示，仅使用第28个最持久的点即可达到“近乎最优”的性能；基准测试也表明，朴素的统计向量化方法的表现往往与复杂的向量化方法不相上下。
计算成本： 计算完全约简的持久图（Fully Reduced PDs）通常是该流水线中最耗费计算资源的步骤，对于大型数据集，这需要消耗大量的内存和时间。

这项工作的核心假设是：如果机器学习模型在利用会丢弃信息的向量化方法时仍能表现良好，那么计算完整的持久同调（特别是边界矩阵的约简）可能是一种不必要的计算开销。作者提出通过直接利用来自未约如边界矩阵的未约简持久图（Unreduced Persistence Diagrams），来避免整个边界矩阵约简过程。

方法论

理论框架

作者定义了几种基于未约简边界矩阵 $M$ （无需执行标准的列向约简算法）构建的**未约简持久图（PDs）**类型。这些类型是根据矩阵列的属性定义的：

表观对（Apparent Pair, AP）PD： 对 $(low(M_j), j)$ ，其中列 $j$ 的最低非零项是其左侧唯一的非零行（这种特定模式表示一个无需约简的持久对）。
下准表观对（Lower Quasi-Apparent Pair, qAP↓）PD： 对 $(low(M_j), j)$ ，其中 $\beta(M_j) \neq -1$ 。
上准表观对（Upper Quasi-Apparent Pair, qAP↑）PD： 对 $(\beta(M_j), j)$ ，其中 $\beta(M_j) \neq -1$ 。这里 $\beta(M_j)$ 是列 $j$ 中无法通过约简被消除的最高行索引。
低位项（Low-Ones, L1）PD： 所有满足 $low(M_j) \neq -1$ 的列所对应的对 $(low(M_j), j)$ 的多重集。

L1 和 qAP↑ 构建方式在处理 Vietoris-Rips (VR) 复形时被特别强调，因为对于这些过滤（Filtrations）类型，其他未约简类型可能会产生仅具有瞬态性质（零持久性）的对。

稳定性分析

论文研究了这些变换相对于瓶颈距离（Bottleneck Distance, $d_B$ ）的 Lipschitz 稳定性。

理论结果： 完全约简（FR）的 PD 变换具有全局稳定性，Lipschitz 常数 $C=1$ 。相比之下，未约简 PD（AP, qAP）通常不具备全局稳定性。过滤函数的微小扰动可能会重新排列边界矩阵的列，导致表观对的出现或消失，从而产生组合不稳定性。
局部稳定性： 作者证明了未约简 PD 具有局部 Lipschitz 稳定性。如果过滤函数的扰动足够小，能够保持单纯形的顺序（具体而言，小于相邻过滤值之间最小间隙的一半），则变换保持稳定。
实验稳定性： 在受扰动点云上的计算实验表明，虽然会出现导致图点数发生变化的剧烈不稳定性峰值，但这种情况非常罕见。大多数扰动产生的稳定性比例与完全约简的情况相当，甚至更好。

计算实现

为了基准测试计算优势，作者实现了一个修改版的 Ripser 算法，用于计算 VR 复形的 qAP↑ 图。

并行化： 与按列（从左至右）串行处理的 standard 约简算法不同，qAP↑ 图的计算可以并行化。该算法独立地在过滤上辅边界矩阵（Coboundary Matrix）的各列之间进行搜索。
内存效率： 该实现避免了存储完整的边界矩阵和约简所需的辅助边界。它利用哈希表存储对，并提前跳过“零表观对”（瞬态对）。

关键结果

计算性能

在 32 核 AMD Ryzen Threadripper PRO 系统上针对标准 Ripser 进行的基准测试显示出显著的增益：

运行时间（Wall Time）： 并行化的 qAP↑ 计算比完整持久性计算平均加速了 20 倍。
内存： 对于非阈值化示例，未约简方法所需的内存约为 Ripser 的 1/13；对于阈值化示例，约为 1/1.86。
可扩展性： 作者成功计算了 torus4 数据集（50,000 个点）的未约简图，而 Ripser 在处理该任务时因内存限制（需要 >300GB RAM）而失败。对于环烷（Cyclo-octane）数据集，qAP↑ 计算比 Ripser 使用的内存少 454 倍，运行时间短 59.5 倍。

机器学习性能

作者评估了基于未约简 PD（L1, qAP, AP）训练的随机森林分类器和回归器的性能，并将其与基于完全约简 PD（FR）的模型进行了对比，涵盖三个任务：

合成形状分类： 分类具有不同噪声水平的点云（圆、球、环面等）。
Fashion-MNIST 分类： 使用立方复形（Cubical Complexes）对服装图像进行分类。
脑动脉树回归： 从 3D 脑扫描数据中预测受试者年龄。

发现：

持平与超越： 在所有实验中，至少有一种类型的未约简 PD 的表现与完全约简 PD 一样好或更好。
L1 的优越性： L1 图的表现始终与 FR 图持平或更优。在 Fashion-MNIST 任务中，L1 图在平均精确度（Average Precision）上比 FR 图高出至少 10 个百分点。
鲁棒性： 这些结果在不同的过滤类型（Alpha, Rips）、向量化方法（Persistence Images, Adcock-Carlsson coordinates）以及噪声水平下都是稳健的。
特征重要性： 对 Fashion-MNIST 任务的分析显示，L1 和 FR 模型依赖于持久图像空间中不同的区域。L1 模型最重要的特征集中在 $H_0$ （连通分量），而 FR 模型则更均匀地利用来自 $H_0$ 和 $H_1$ 的特征。这表明未约简图编码了不同且可能有效的特征，而这些特征在完全约简过程中被丢弃了。

意义与主张

论文得出结论，未约简持久图可以作为用于拓扑机器学习流水线中完全约简图的有效替代品。

计算效率： 通过避免昂贵的约简步骤，从业者可以实现显著的内存使用和计算时间缩减，从而能够分析目前标准 PH 方法难以处理的数据集。
性能： 与“约简是保证质量所必需”的假设相反，作者证明了约简所丢弃的信息对于下游机器学习性能往往并非至关重要，且未约简图甚至可能捕捉到不同且有益的特征。
未来方向： 作者指出，虽然未约简图节省了计算时间，但由于点数较多，其向量化过程可能会变慢。他们建议未来的工作应专注于设计直接从未约简矩阵进行向量化的算法，而不必显式存储所有对，从而进一步优化整个流水线。

这项研究适度地主张，这些结果表明 PH-ML 流水线的构建方式可能需要发生转变，即优先考虑计算效率和保留“原始”拓扑特征，而非追求完全约简图在数学上的严格完备性。