[论文解读] Unsupervised Space-Time Clustering using Persistent Homology

Umar Islambekov, Yulia R. Gel|arXiv (Cornell University)|Oct 25, 2019

Topological and Geometric Data Analysis参考文献 28被引用 7

一句话总结

本文提出了一种新颖的无监督时空聚类算法，利用拓扑数据分析中的持久同调技术，基于形状和几何结构检测聚类，而无需预先知晓聚类数量。通过使用贝蒂数追踪连通分量和孔洞等拓扑特征，在多个尺度上分析数据，该方法在合成数据和真实水质数据上均表现出优越的准确性，优于K-means、层次聚类和DBSCAN，在识别复杂非球形聚类形状及对噪声的鲁棒性方面表现更优。

ABSTRACT

This paper presents a new clustering algorithm for space-time data based on the concepts of topological data analysis and in particular, persistent homology. Employing persistent homology - a flexible mathematical tool from algebraic topology used to extract topological information from data - in unsupervised learning is an uncommon and a novel approach. A notable aspect of this methodology consists in analyzing data at multiple resolutions which allows to distinguish true features from noise based on the extent of their persistence. We evaluate the performance of our algorithm on synthetic data and compare it to other well-known clustering algorithms such as K-means, hierarchical clustering and DBSCAN. We illustrate its application in the context of a case study of water quality in the Chesapeake Bay.

研究动机与目标

• 开发一种无监督聚类算法，利用拓扑数据分析基于形状和几何结构在时空数据中检测聚类。
• 解决识别具有任意形状和不同密度的聚类的挑战，尤其当传统方法如K-means或DBSCAN失效时。
• 消除传统聚类方法中需预先指定聚类数量的常见限制。
• 在具有复杂聚类配置的合成数据和真实世界环境数据（特别是切萨皮克湾的水质监测数据）上评估性能。
• 通过持久同调固有的抗噪能力，证明方法对噪声的鲁棒性和对扰动的稳定性。

提出的方法

• 该方法在不断增加的尺度参数ε下，从时空数据的点云构建维托里斯-黎普斯单纯复形，形成过滤过滤。
• 应用持久同调以追踪跨尺度的拓扑特征（如连通分量（0维）、隧道（1维）和空腔（2维）），并通过贝蒂数β₀、β₁、β₂进行总结。
• 该算法利用拓扑特征的持久性（即其在不同尺度上持续的时间）来区分真实聚类结构与噪声。
• 基于贝蒂数在不同尺度上的变化定义聚类规则，将稳定存在的拓扑特征识别为聚类边界。
• 该方法使用默认调参τ₀和τ₁，空间和时间数据均采用欧几里得距离作为度量。
• 该方法应用于合成数据和切萨皮克湾133个监测站（1985–2016年）的真实世界水质监测数据，数据按站点进行归一化处理。

实验结果

研究问题

• RQ1 持久同调能否有效用于在无聚类数量或形状先验知识的情况下检测时空数据中的聚类？
• RQ2 在具有复杂非球形聚类结构的合成数据上，所提出的聚类方法与K-means、层次聚类和DBSCAN相比表现如何？
• RQ3 该方法在数据中加入均匀随机噪声后，其鲁棒性如何？
• RQ4 该方法能否在真实世界环境监测数据（如切萨皮克湾的水质趋势）中揭示有意义的时空模式？
• RQ5 如贝蒂数等拓扑总结指标如何反映聚类结构随时间的变化，特别是在政策干预下的响应？

主要发现

• 在具有13个不同形状和密度的聚类的合成数据上，基于贝蒂数的聚类（CBN）算法的Rand指数为0.99885，Jaccard指数为0.98880，显著优于K-means（Rand：0.95661，Jaccard：0.62042）和层次聚类/DBSCAN（Rand：0.99225，Jaccard：0.92945）。
• 当加入200个均匀分布的随机点作为噪声时，CBN正确识别出全部13个聚类，仅出现少量误匹配，而K-means、层次聚类和DBSCAN的性能明显下降。
• 在切萨皮克湾案例研究（1985–2000年）中，CBN识别出七个主要聚类，其中主导聚类包含大多数北部站点，且在空间上邻近的站点之间形成了子聚类，尽管未使用任何空间先验信息。
• 在2001–2016年期间，最大聚类主要形成于河流支流（如詹姆斯河、波托马克河、拉帕汉诺克河），与已知的恢复工作一致，表明该方法能捕捉政策驱动的趋势。
• 两个16年时间段的聚类结果之间的Rand指数为0.63819，表明结构发生了中等程度的变化，其中两个聚类在两个时间段均保持稳定。
• 该方法成功检测到通过持久同调识别出的拓扑特征（如隧道和空腔），并利用贝蒂数轨迹定义聚类边界，验证了聚类的稳定性。