[论文解读] RipsNet: a general architecture for fast and robust estimation of the persistent homology of point clouds

Thibault de Surrel, Felix Hensel+6 more|arXiv (Cornell University)|Feb 3, 2022

Topological and Geometric Data Analysis参考文献 31被引用 7

一句话总结

RipsNet 是一种受 DeepSets 启发的深度学习架构，能够从点云中学习向量化持久图（PDs）的表示，实现快速且鲁棒的拓扑特征提取。其在输入扰动下具有 O(λ) 的鲁棒性——在噪声环境下优于精确的持久图计算，同时将计算时间减少了三个数量级。

ABSTRACT

The use of topological descriptors in modern machine learning applications, such as Persistence Diagrams (PDs) arising from Topological Data Analysis (TDA), has shown great potential in various domains. However, their practical use in applications is often hindered by two major limitations: the computational complexity required to compute such descriptors exactly, and their sensitivity to even low-level proportions of outliers. In this work, we propose to bypass these two burdens in a data-driven setting by entrusting the estimation of (vectorization of) PDs built on top of point clouds to a neural network architecture that we call RipsNet. Once trained on a given data set, RipsNet can estimate topological descriptors on test data very efficiently with generalization capacity. Furthermore, we prove that RipsNet is robust to input perturbations in terms of the 1-Wasserstein distance, a major improvement over the standard computation of PDs that only enjoys Hausdorff stability, yielding RipsNet to substantially outperform exactly-computed PDs in noisy settings. We showcase the use of RipsNet on both synthetic and real-world data. Our open-source implementation is publicly available at https://github.com/hensel-f/ripsnet and will be included in the Gudhi library.

研究动机与目标

• 解决在大规模或噪声点云上精确持久图计算带来的高计算成本和不稳定性问题。
• 克服标准持久图对现实世界数据中微小扰动和异常值的敏感性。
• 通过直接从数据中学习有限维嵌入，实现在机器学习流水线中高效集成拓扑特征。
• 开发一种在多样化点云数据上泛化能力强且在噪声下保持拓扑保真度的神经网络架构。
• 证明所学习的拓扑描述符在下游分类任务中可超越精确 PD，尤其在噪声条件下表现更优。

提出的方法

• 采用类似 DeepSets 的架构，其中点云特征通过可学习的嵌入函数 φ₁ 处理，经排列不变算子（如均值）聚合，并通过 φ₂ 映射为向量输出。
• 端到端训练网络，从原始点云预测向量化持久图（如持久图图像），使用标注的真实向量化表示作为监督信号。
• 使用 1- Wasserstein 距离作为评估指标，证明当 λ 比例的点被扰动时，RipsNet 输出的变化为 O(λ)。
• 利用标准深度学习优化方法（Adam）和交叉验证来调整超参数，包括聚合算子和网络深度。
• 将 RipsNet 作为特征提取器集成到下游机器学习流水线中，替代分类任务中的精确 PD 计算。
• 通过设计确保排列不变性和稳定性，使网络的归纳偏差与 PD 的拓扑不变性保持一致。

实验结果

研究问题

• RQ1 深度学习模型能否从点云中学习到与精确计算相当或更优精度的向量化持久图？
• RQ2 在噪声水平逐渐增加的情况下，RipsNet 对输入扰动的鲁棒性与精确持久图计算相比如何？
• RQ3 与精确 PD 或标准深度学习模型（如 PointNet）相比，使用 RipsNet 输出在下游分类性能上的提升程度如何？
• RQ4 RipsNet 的泛化能力是否使其在未见的数据分布（包括合成和真实世界点云）上表现良好？
• RQ5 RipsNet 是否能显著降低拓扑特征提取的计算时间，同时保持可解释性和拓扑保真度？

主要发现

• 与使用 Gudhi 库的精确计算相比，RipsNet 将持久图向量化计算的运行时间减少了三个数量级。
• 在所有测试的噪声水平（λ ∈ {0.02, 0.05, 0.1, 0.25, 0.5}）下，使用 RipsNet 特征的神经网络分类器的平均准确率均高于使用精确 PD 或 PointNet 的分类器。
• 当 λ ≥ 0.1 时，基于 RipsNet 的分类器超越了 PointNet 基线，而 PointNet 在 λ > 0.25 时性能急剧下降，表明 RipsNet 具有更优的鲁棒性。
• 理论分析证明，当扰动比例为 λ 时，RipsNet 输出的变化为 O(λ)，而精确 PD 即使在 λ → 0 时也可能发生固定正值的变化。
• 在 ModelNet3D 数据集上，基于 RipsNet 的分类器在所有噪声水平下均保持高性能，平均准确率显著优于精确 PD 和 PointNet 基线。
• 开源实现已公开，并将被集成到 Gudhi 库中，从而推动其在拓扑数据分析流水线中的广泛应用。