[论文解读] Statistical topological data analysis using persistence landscapes

Peter Bubenik|arXiv (Cornell University)|Jul 27, 2012

Topological and Geometric Data Analysis参考文献 37被引用 524

一句话总结

本文提出了持久性景观（persistence landscape），一种将条形码转化为函数的向量空间值拓扑摘要，使持久同调的统计分析成为可能。它建立了强有力的统计定律（大数定律、中心极限定理），支持假设检验，并证明了瓶颈距离与 Wasserstein 距离的稳定性下界，克服了将拓扑数据分析应用于统计与机器学习中的关键局限。

ABSTRACT

We define a new topological summary for data that we call the persistence landscape. Since this summary lies in a vector space, it is easy to combine with tools from statistics and machine learning, in contrast to the standard topological summaries. Viewed as a random variable with values in a Banach space, this summary obeys a strong law of large numbers and a central limit theorem. We show how a number of standard statistical tests can be used for statistical inference using this summary. We also prove that this summary is stable and that it can be used to provide lower bounds for the bottleneck and Wasserstein distances.

研究动机与目标

• 通过将非向量化的持久性图转化为向量空间，解决将拓扑数据分析（TDA）与统计及机器学习结合的挑战。
• 克服标准 TDA 摘要（如条形码和持久性图）在统计上不兼容的问题，因其缺乏向量空间结构，阻碍了统计推断。
• 通过将拓扑摘要嵌入一个可分的 Banach 空间，实现统计推断，包括收敛定律（大数定律、中心极限定理）、假设检验与置信区间。
• 通过持久性景观提供关于 Wasserstein 与瓶颈距离的理论稳定性保证及下界。
• 通过将拓扑摘要表示为分段线性函数，实现高效计算，使计算速度显著快于传统条形码方法，且更兼容统计算法。

提出的方法

• 将持久性景观定义为条形码到一系列分段线性函数的变换，将其嵌入一个可分的 Banach 空间。
• 将每个持久性区间 (b,d) 表示为三角函数 λ₁(t) = (h - |t - m|)+，其中 h = (d-b)/2 且 m = (b+d)/2。
• 将持久性景观 Λ(D) 构造为此类函数的序列，使用 ℓ_p-范数来度量景观之间的距离。
• 应用 Banach 空间中取值的随机变量理论，推导出景观作为 Banach 空间中随机变量时的强大数定律与中心极限定理。
• 通过将景观差的 ℓ_p-范数与持久性图之间的 p-Wasserstein 距离关联，证明稳定性。
• 利用景观的 ℓ_p-范数推导瓶颈距离与 Wasserstein 距离的下界，表明景观差异较小时，原始空间中的距离亦较小。

实验结果

研究问题

• RQ1 能否构建一个位于向量空间中的拓扑摘要，以支持标准统计工具（如假设检验与置信区间）？
• RQ2 当持久性景观被视为 Banach 空间中的随机变量时，是否满足强大数定律与中心极限定理？
• RQ3 持久性景观能否为持久性图之间的瓶颈距离与 Wasserstein 距离提供稳定且可计算的下界？
• RQ4 持久性景观的计算效率与标准条形码及持久性图表示相比如何？
• RQ5 在存在采样不确定性的情况下，持久性景观在推断数据全局拓扑特征方面的能力有多大？

主要发现

• 当持久性景观被视为可分 Banach 空间中的随机变量时，其满足强大数定律与中心极限定理。
• 该景观支持统计推断：样本均值收敛于总体均值，且可计算近似置信区间。
• 两个持久性景观之间差的 ℓ_p-范数，为它们对应持久性图之间的 p-Wasserstein 距离提供了下界。
• 持久性景观具有稳定性：景观差的 ℓ_p-范数被有界于持久性长度与图之间 p-Wasserstein 距离的函数。
• 对于持久性有界的图，景观为 p-Wasserstein 距离提供了下界，其与景观差的 ℓ_p-范数成正比。
• 该方法通过分段线性函数表示实现高效计算，在速度与与统计算法的兼容性方面，显著优于直接的条形码或图计算。