[论文解读] Matroid Filtrations and Computational Persistent Homology

Gregory Henselman, Robert Ghrist|arXiv (Cornell University)|Jun 1, 2016

Topological and Geometric Data Analysis参考文献 21被引用 47

一句话总结

本文提出了一种新颖的算法，利用拟阵理论、离散莫射理论和矩阵分解技术，实现持久同调的高效计算。通过利用无环匹配避免构建大型边界矩阵，该方法显著降低了内存使用量——实现数个数量级的压缩——同时支持代表性同调生成元的计算。该方法已集成于 EIRENE 库中，并在高维点云数据上展现出显著的性能提升，包括一个包含10,000个点、超过1600亿个单纯形的复杂结构。

ABSTRACT

This technical report introduces a novel approach to efficient computation in homological algebra over fields, with particular emphasis on computing the persistent homology of a filtered topological cell complex. The algorithms here presented rely on a novel relationship between discrete Morse theory, matroid theory, and classical matrix factorizations. We provide background, detail the algorithms, and benchmark the software implementation in the Eirene package.

研究动机与目标

• 开发一种在拓扑数据分析中更内存高效且计算可扩展的持久同调计算方法。
• 解决在大型单纯复形中存储完整边界矩阵所带来的高内存开销问题。
• 实现在原始复形中计算代表性同调生成元，而不仅限于条形码摘要。
• 将拟阵理论与离散莫射理论整合到统一的计算同调框架中。
• 在 EIRENE 软件包中实现并基准测试该算法，以应对真实世界数据集。

提出的方法

• 该方法利用拟阵理论，将持久同调中的秩、基和圈等概念重新表述为组合框架，支持高效计算。
• 通过无环匹配应用离散莫射理论，以简化复形并避免显式构建大型边界算子。
• 该算法利用矩阵分解定理，高效计算持久同调，并在原始复形中恢复代表性循环。
• EIRENE 中的动态构建子程序仅生成莫射复形中的必要单元，避免存储无关单纯形。
• 该方法在拟阵基上使用贪心算法，识别出保持同调性质的最小单元集合，从而降低计算负载。
• 该方法针对顶维边界算子进行了优化，这些算子通常是最大且最耗内存的组件。

实验结果

研究问题

• RQ1 拟阵理论的表述能否提升持久同调计算的效率与清晰度？
• RQ2 如何利用离散莫射理论避免在持久同调中构建和存储完整的边界矩阵？
• RQ3 无环匹配在多大程度上可用于压缩细胞复形，同时保持同调性质并支持生成元恢复？
• RQ4 拟阵理论、莫射理论与矩阵分解的结合能否产生一种适用于大规模持久同调的实际且可扩展的算法？
• RQ5 该方法在真实世界高维数据集上的内存与时间性能提升程度如何？

主要发现

• 该算法通过避免构建大型边界矩阵，显著降低了内存使用量，尤其在顶维算子上，内存节省可达数个数量级。
• 对于 R20 中一个包含10,000个点的随机几何复形，该方法以35.7 GB 堆内存和3,120 秒的耗时计算了持久 H1，处理了超过1600亿个单纯形的2-骨架。
• 压缩比（莫射复形大小 / 4-骨架大小）在 n=240 个顶点时低至0.02，表明实现了极端稀疏化。
• 该方法成功计算了在噪声环面样本中一个1维同调类的持久同调及其代表性生成元，结果通过 Plotly 可视化。
• 在如国际象棋棋盘复形与匹配复形等具有挑战性的无过滤复形上，性能依然出色，但受限于空间本身的内在复杂性。
• EIRENE 实现版本在高维点云上实现了显著的速度提升与内存节省，尤其在大规模数据集上优于以往基准。