[论文解读] giotto-ph: A Python Library for High-Performance Computation of Persistent Homology of Vietoris-Rips Filtrations

Julián Burella Pérez, Sydney Hauke+3 more|arXiv (Cornell University)|Jul 12, 2021

Topological and Geometric Data Analysis参考文献 38被引用 9

一句话总结

giotto-ph 是一个高性能的 Python 库，通过集成优化的 C++ 后端、先进的并行化技术以及重新实现的 Edge Collapser 预处理器，显著加速了 Vietoris–Rips 过滤的持久同调计算。它在 CPU 上实现了最先进的性能，即使仅使用 5–10 个 CPU 核心，也优于 GPU 加速的 Ripser++，其优势源于无锁多核执行和高效的数据结构。

ABSTRACT

We introduce giotto-ph, a high-performance, open-source software package for the computation of Vietoris-Rips barcodes. giotto-ph is based on Morozov and Nigmetov's lockfree (multicore) implementation of Ulrich Bauer's Ripser package. It also contains a re-working of the GUDHI library's implementation of Boissonnat and Pritam's Edge Collapser, which can be used as a pre-processing step to dramatically reduce overall run-times in certain scenarios. Our contribution is twofold: on the one hand, we integrate existing state-of-the-art ideas coherently in a single library and provide Python bindings to the C++ code. On the other hand, we increase parallelization opportunities and improve overall performance by adopting more efficient data structures. Our persistent homology backend establishes a new state of the art, surpassing even GPU-accelerated implementations such as Ripser++ when using as few as 5-10 CPU cores. Furthermore, our implementation of Edge Collapser has fewer software dependencies and improved run-times relative to GUDHI's original implementation.

研究动机与目标

• 开发一个用于计算 Vietoris–Rips 过滤持久同调的高性能、开源 Python 库。
• 将最先进的算法优化（如清除、上同调和明显对）整合到一个高效且可并行化的软件栈中。
• 通过减少依赖关系和提升执行效率，重新实现 Edge Collapser 算法，以提升预处理性能。
• 在标准 CPU 上实现卓越性能，超越甚至优于基于 GPU 的替代方案（如 Ripser++）。
• 通过未来支持反向传播和 PyTorch 等框架，实现与机器学习工作流的无缝集成。

提出的方法

• 该库基于 Morozov 和 Nigmetov 实现的 Ulrich Bauer 的 Ripser，采用无锁、多核并行化的 C++ 后端，支持高并发计算。
• 采用隐式矩阵表示法以及简化边界/余边界矩阵，以最小化内存和计算开销。
• 通过更快的数据结构重新实现 Edge Collapser，并引入包围半径优化，进一步减少预处理时间。
• 利用配对唯一性引理以及涌现/明显对优化，加速条形码计算。
• 支持跨多个 CPU 核心的并行执行，充分利用超线程技术并优化内存访问模式。
• 提供 Python 绑定，便于集成到数据科学和机器学习流水线中，同时保持底层性能。

实验结果

研究问题

• RQ1 通过更优的并行化设计和数据结构，基于 CPU 的持久同调库是否能够超越基于 GPU 的实现？
• RQ2 通过 Edge Collapser 进行预处理，能在多大程度上降低 Vietoris–Rips 过滤持久同调的计算成本？
• RQ3 在具有中心点结构的数据集上，包围半径优化在加速 Edge Collapser 方面的效率如何？
• RQ4 与现有库（如 GUDHI）相比，高度优化、模块化且依赖轻量的 Edge Collapser 实现是否能显著提升性能和可用性？
• RQ5 该库在不同硬件平台（包括低端 CPU）上的性能扩展性如何？

主要发现

• giotto-ph 的持久同调后端在 CPU 上实现了卓越性能，在使用 5–10 个 CPU 核心时，性能已超越基于 GPU 的 Ripser++。
• 该库的 Edge Collapser 实现始终快于 GUDHI 的原始版本，在有利数据集上速度提升达 1.49× 至 2.31×。
• 在从单位立方体中采样的 3000 个点数据集上，包围半径优化将 Edge Collapser 的运行时间从 180 秒减少至 78 秒，实现 2.31× 的加速。
• 该库在低端硬件（如配备 4 个物理核心和 8 个逻辑线程的 Intel i7-7700）上也保持了良好的可扩展性，展现出广泛的硬件兼容性。
• 通过集成清除、上同调和明显对等高级优化，该库构建了一个稳健高效的大型拓扑数据分析流水线。
• 该库的模块化设计使其未来可扩展至其他过滤类型，并可与深度学习框架（如 PyTorch）集成。