Устойчивые гомологии

Как найти «дыры» в облаке из миллиона точек данных? Как отличить настоящую петлю от шума? Персистентные гомологии отвечают на этот вопрос, превратив абстрактную теорию Морса в практический инструмент анализа данных.

• **Анализ раковых клеток:** Топологические сигнатуры гистологических снимков позволяют различать подтипы рака груди с точностью, превышающей классические методы
• **Нейронные сети и обучение:** Топологическая регуляризация добавляет штраф за нежелательную топологию активаций - улучшает обобщение и интерпретируемость
• **Анализ формы молекул:** Персистентные гомологии описывают 3D-форму белков через топологические дескрипторы для задач drug discovery

Предварительные знания

• Homology: An Overview
• Topological Data Analysis

Фильтрации и персистентность

TDA (Topological Data Analysis, 2011) обнаружил новый подтип рака молочной железы: персистентные гомологии на данных экспрессии 25 000 генов. **Устойчивые (персистентные) гомологии** изучают, как топологические свойства пространства «рождаются» и «умирают» при изменении масштаба. В основе лежит понятие **фильтрации** - вложенной последовательности пространств.

На практике комплекс Чека сложно вычислять. Комплекс Вьеториса-Рипса VR_ε(P): симплекс добавляется, если все его вершины попарно на расстоянии ≤ ε. Он легче вычисляется и аппроксимирует Чека: Č_ε ⊂ VR_ε ⊂ Č_{2ε}.

Штрих-коды и диаграммы персистентности

Персистентные гомологии описываются двумя эквивалентными способами: **штрих-кодом** (barcode) и **диаграммой персистентности** (persistence diagram). Оба кодируют пары (birth, death) - момент рождения и смерти каждой топологической особенности.

Ключевая идея: **персистентность** = death - birth. Особенности с большой персистентностью - надёжный топологический сигнал. Особенности с малой персистентностью - вероятно, шум или артефакты дискретизации.

Теорема об устойчивости

Главное свойство персистентных гомологий - **устойчивость**: небольшие изменения данных приводят к небольшим изменениям диаграммы персистентности. Это делает их пригодными для работы с зашумлёнными данными.

Теорема об устойчивости гарантирует, что персистентные диаграммы можно использовать как входные признаки для машинного обучения: небольшой шум в данных не уничтожит топологические сигналы. Это отличает TDA от «хрупких» топологических инвариантов.

Персистентные гомологии в практике

Персистентные гомологии нашли применения в самых разных областях - от анализа данных до нейробиологии. Ключевое преимущество: они работают с данными произвольной формы, не предполагая линейности или выпуклости.

Чтобы использовать диаграммы персистентности как входы нейросети, нужно их «векторизовать». Методы: persistence images (персистентные изображения), persistence landscapes, векторизация через тропическую геометрию. Каждый подход сохраняет часть структуры диаграммы.

Ключевые идеи

• **Фильтрация** - вложенная последовательность пространств; персистентные гомологии отслеживают рождение/смерть циклов
• **Штрих-код / диаграмма персистентности** - пары (birth, death); точки далеко от диагонали = топологический сигнал
• **Теорема устойчивости:** d_B(Dgm(f), Dgm(g)) ≤ ||f-g||∞ - робастность к шуму
• **Применения:** TDA в ML, анализ молекул, нейронауки, анализ пористых материалов

Связанные темы

Персистентные гомологии объединяют топологию с вычислительной математикой:

• Гомологии — Персистентные гомологии - параметрическое семейство обычных гомологий, организованное фильтрацией
• Теория Морса — Фильтрация по функции Морса = теорема о ручках; персистентность = пары критических точек
• Топологический анализ данных — TDA - прикладная реализация персистентных гомологий для анализа реальных данных

Вопросы для размышления

• Как выбрать «порог персистентности» для отделения сигнала от шума в реальных данных?
• Почему алгоритм вычисления персистентных гомологий имеет кубическую сложность, и как с этим бороться?
• Можно ли использовать персистентные гомологии как «расстояние» между формами? Какие свойства метрики оно удовлетворяет?

Связанные уроки

• calc-01-sequences