[论文解读] Computing Zigzag Persistent Cohomology

Clément Maria, Steve Oudot|arXiv (Cornell University)|Aug 22, 2016

Topological and Geometric Data Analysis参考文献 14被引用 4

一句话总结

本文提出了一种高效的锯齿持久上同调算法，通过对偶化反射和转置操作，加速了锯齿持久同调计算，相较于现有锯齿同调实现，运行时间最快提升25倍，内存使用降低4.3倍。该方法使在稀疏采样数据中实际计算拓扑特征成为可能，在减少噪声的同时，优于标准和稀疏持久同调，能够更有效地检测高维特征。

ABSTRACT

Zigzag persistent homology is a powerful generalisation of persistent homology that allows one not only to compute persistence diagrams with less noise and using less memory, but also to use persistence in new fields of application. However, due to the increase in complexity of the algebraic treatment of the theory, most algorithmic results in the field have remained of theoretical nature. This article describes an efficient algorithm to compute zigzag persistence, emphasising on its practical interest. The algorithm is a zigzag persistent cohomology algorithm, based on the dualisation of reflections and transpositions transformations within the zigzag sequence. We provide an extensive experimental study of the algorithm. We study the algorithm along two directions. First, we compare its performance with zigzag persistent homology algorithm and show the interest of cohomology in zigzag persistence. Second, we illustrate the interest of zigzag persistence in topological data analysis by comparing it to state of the art methods in the field, specifically optimised algorithm for standard persistent homology and sparse filtrations. We compare the memory and time complexities of the different algorithms, as well as the quality of the output persistence diagrams.

研究动机与目标

• 通过引入一种高效的基于上同调的算法，弥合理论锯齿持久同调与实际计算之间的差距。
• 克服现有锯齿同调算法的性能瓶颈，尽管其噪声减少效果显著，但面临高内存和时间开销的问题。
• 将已在标准持久同调中被证明有效的上同调优化技术，适配到更复杂的锯齿设置中。
• 与最先进的方法（包括标准和稀疏持久同调）对比，评估该算法在性能和拓扑准确性方面的表现。
• 展示锯齿持久同调在分析采样不足或复杂拓扑空间中的实际应用价值。

提出的方法

• 该算法对锯齿持久同调框架中的反射和转置变换进行对偶化处理，利用上同调对偶性简化并加速计算过程。
• 通过在锯齿转换过程中使用矩阵运算动态维护一个上同调复形，最大限度减少冗余计算。
• 采用稀疏矩阵表示和高效的线性代数运算，降低内存占用并提升缓存性能。
• 与Gudhi库集成，确保与现有拓扑数据分析工作流的兼容性。
• 通过维护双重持久结构，支持锯齿序列中的正向和反向转换。
• 应用基于上同调的过滤机制，以检测并保留显著的拓扑特征，同时抑制噪声。

实验结果

研究问题

• RQ1 能否将标准持久同调中基于上同调的优化技术有效适配到锯齿持久同调中？
• RQ2 在时间和内存使用方面，锯齿持久上同调相较于锯齿持久同调的性能表现如何？
• RQ3 锯齿持久同调在从稀疏采样数据中检测拓扑特征方面，对持久图质量的提升程度如何？
• RQ4 所提出的算法能否提取出标准和稀疏持久同调无法检测的高维拓扑特征（例如3-球中的3维特征）？
• RQ5 在锯齿持久同调与标准及稀疏持久同调之间，计算效率与拓扑保真度之间的权衡如何？

主要发现

• 与Dionysus中的锯齿同调实现相比，该锯齿持久上同调算法在大规模数据集上实现了最高达25倍的运行时间加速和4.3倍的内存使用降低。
• 在Cli数据集（Rips阈值为0.8）上，仅锯齿持久同调成功检测到3-球的3维特征，而标准和稀疏持久同调均未能恢复该特征。
• 在Cli数据集上，该算法保持了低内存占用（1008 MB）和快速执行时间（644秒），而Dionysus则需要4335 MB内存和16209秒。
• 在GePh数据集上，该算法将内存消耗从7251 MB降低至364 MB，执行时间从12153秒减少至186秒。
• 锯齿持久同调图始终比标准持久同调图更少受噪声影响，尤其在高维特征中表现更优。
• 该算法在标准和稀疏持久同调失败的稀疏采样数据中成功捕捉到拓扑特征，证明其在低质量数据场景下的独特实用性。