拓扑数据分析(TDA)是研究数据形状的一系列数学与计算方法。它借助拓扑学、几何学和统计学,描述连通分支、环、空腔及分支结构等特征。其输入包括点云、图像、网络、采样函数和随时间变化的测量数据。拓扑数据分析并不完全依赖坐标或某个固定尺度,而是常常追踪结构特征如何随着分辨率参数的变化而出现和消失。
其中最广为人知的方法是持久同调,它记录拓扑特征在一系列空间中的存续区间。另一种广泛使用的构造方法是 Mapper,它生成一个网络,概括数据集相对于所选测量函数的组织结构。这些方法能够揭示平均值、线性投影或单次聚类所无法充分呈现的结构。
拓扑数据分析并不是一种能够普遍还原数据内在“真实形状”的方法。其结论取决于观测数据的表示方式、所采用的距离或函数,以及对采样与噪声的建模方式。它的独特贡献在于提供了一个框架,将几何构造、拓扑描述、计算近似与统计解释区分开来。
从观测数据到几何空间
对于有限个观测数据,如果仅将每个观测视为孤立的点,就难以从中获得有用的拓扑信息。因此,拓扑数据分析首先要构造一个能够体现观测数据之间关系的空间。对于点云 ,这些关系通常由距离 给出,从而使 成为一个度量空间。测量数据可能位于欧几里得空间中,但也可以通过序列、图、形状或概率分布之间的距离来进行比较。距离的选择具有实质性的影响:对变量进行标准化、调整特征权重,或用特定领域的度量替代欧几里得距离,都可能改变后续检测到的拓扑结构。
一种基本的构造方法是将每个点替换为半径为 的球,并研究这些球的并集:
当半径较小时,并集由许多彼此分离的部分组成。随着半径增大,这些部分逐渐连接起来,可能形成环路,而孔洞最终会被填满。例如,沿圆周分布的有限样本最初会形成彼此孤立的连通分支,随后形成一个连通的环,最后成为一片填满的区域。参数 表示的是观测尺度,而不是额外测得的变量。
在计算中,通常用单纯复形代替连续的球并集。单纯复形由顶点、边、三角形、四面体及其高维对应物拼接而成。在半径为 的 Čech 复形中,如果一组顶点所对应的半径为 的球具有公共交集,这组顶点就构成一个单纯形。神经定理解释了这种构造为何有用:当覆盖集及其交集满足适当条件时,该复形与这些集合的并集具有相同的同伦型。欧几里得空间中的凸球是满足这些条件的一类重要情形。
Vietoris–Rips 复形更容易由两两距离构造出来。若采用边长阈值的约定,只要一组顶点中任意两点之间的距离都不超过 ,这组顶点就在参数 下构成一个单纯形。两两相交通常并不意味着存在公共交集,因此 Rips 复形与 Čech 复形并不相同。两者采用的尺度约定也必须加以区分:半径为 的球在球心距离不超过 时相交。如果忽略这一点,在比较不同软件包和数学结果时,就可能出现两倍的差异。
其他数据类型则适合采用其他表示方式。Alpha 复形利用 Voronoi 单元和 Delaunay 三角剖分的几何结构,为欧几里得空间中的球并集提供相对精简的模型。立方复形则天然适合表示像素和体素阵列。分析灰度图像时,可以按灰度值依次加入像素;分析地形时,则可以逐步提高高程阈值。因此,拓扑数据分析所研究的几何对象,不一定源于点云或显式给出的距离矩阵。
同调与拓扑特征的含义
拓扑数据分析中主要的代数描述工具是同调。通俗地说,同调用于识别空间中那些不是更高维部分之边界的闭链。零阶同调记录连通分支;一阶同调记录相互独立的环路;二阶同调记录封闭的空腔。圆周有一个连通分支和一个独立的一维孔洞。球面有一个连通分支和一个二维空腔,但没有一维孔洞。由该球面围成的实心球则没有相应的二维同调类,因为其内部填满了这个空腔。
计算从链群开始。对于单纯复形 ,向量空间 由其 维单纯形的形式线性组合构成,系数取自选定的域 。边界算子
将一个单纯形映射为其各个面的带符号组合。它满足的基本恒等式为
即任何边界的边界都为零。例如,三角形的三条边构成一个闭链,因为各端点的贡献相互抵消。
闭链是 中的元素,边界则是 中的元素。同调是如下商向量空间:
在这个商空间中,相差一个边界的闭链被视为等价。因此,填充三角形的边界在一阶同调中代表零元,而没有填充三角形的三角形环路则代表一个非零类。贝蒂数 给出了 阶独立同调类的数量。
系数的选择很重要。计算中常用含两个元素的有限域 ,在这个域中,正负号不再有区别,加法相当于异或运算。这简化了实现,但也可能掩盖使用其他系数时能够显现的差异。例如,实射影平面在 上的一阶同调非零,但在有理数域上的一阶同调为零。域上的普通贝蒂数也无法保留整数同调所包含的全部挠信息。因此,系数域是分析方案的一部分,而不只是实现细节。
同调刻画的是空间的某些结构性质,而不是对空间的完整描述。不同空间可以具有相同的贝蒂数,同调相同也不一定意味着同胚,甚至不一定意味着同伦等价。此外,一个同调类通常有许多闭链代表元。因此,计算得到的环路可能在代数上有效,却并非最短、最光滑或最便于解释的代表元。要提取出与某种科学机制密切对应的代表元,还需要解决额外的几何或优化问题。
滤过、持久模与条形码
持久同调研究的是滤过,即一族相互嵌套的空间:
逐步增大 Rips 复形的距离阈值,就得到一个例子。另一个例子是函数 的次水平集滤过:
对于地形,连通分支在局部极小值附近出现,并随着水位上升而合并。对于图像,同样的构造可以追踪随强度阈值变化的结构。超水平集滤过则将数值进入滤过的先后顺序反转。
对每个空间取同调,就得到向量空间 。空间之间的包含关系在其同调群之间诱导出线性映射。这一整套系统称为持久模。保留这些映射至关重要:仅列出各个尺度上的贝ti数,并不能说明某一尺度上的特征延续为另一尺度上的哪个特征。一个环可能消失,同时另一个不同的环出现;尽管结构发生了变化,贝ti数却保持不变。
对于域上的有限滤过,持久模可以分解为区间模。每个区间 表示一个在参数 处诞生、一直存续到参数 处的同调类。这些区间构成持久条形码。等价地,有限区间也可以表示为持久图中的点 。其寿命为 ;靠近对角线的点寿命较短。贯穿整个滤过而始终存在的同调类,其死亡时间可能记为无穷大,具体取决于构造方式和结果的记录惯例。
在零维情形下,这种描述与层次聚类十分相似。顶点最初各自构成独立的连通分支,随后由边将它们合并。一种常用的记账约定是:两个分支合并时,保留较早诞生的分支,并记录较晚诞生的分支死亡。对于距离滤过,由此得到的合并信息与单链接聚类分析及最小生成树密切相关。高维持久同调则补充了有关环和空腔的信息,而这些信息无法仅凭连通分支的层次结构重建。
单形进入滤过的顺序必须遵守其面之间的包含关系:一条边不能先于它的端点进入,一个三角形也不能先于它的边界边进入。多个单形可能具有相同的滤过值,因此计算时需要采用与这些关系相容的排序。这类选择可能影响零长度区间以及所选的代表元,但不会改变正长度区间所包含的持久性信息。普通同调与约化同调对最后一个连通分支的处理也有所不同。
长区间往往表明某种结构能够在较宽的尺度范围内存续,但寿命并不是衡量科学重要性的通用标准。短区间可能编码了有意义的微小特征,而长区间也可能源于离群点、采样空缺或不合适的度量。持久同调提供了一种结构化的描述,而对它的解释取决于数据的生成过程。
稳定性、近似与重建
持久同调的一个核心数学依据是:微小扰动在适当的持久图中只能引起有界的变化。标准的比较方式是使用瓶颈距离。它将两个图中的点进行匹配,允许未匹配的点与对角线配对,并使以最大范数衡量的最大匹配代价最小。将点 匹配到对角线的代价为 ,因此移除寿命较短的特征所需的代价很低。
对于同一空间上满足适当温和性条件的实值函数 和 ,一条基本的稳定性定理指出:
因此,函数值的一致有界变化,会使持久图的变化也受到同一个界的约束。定理的假设保证了同调信息可以用适当的图来表示。这一结果针对的是一个精确定义的扰动模型,并不意味着它对预处理或采样中的任意变化都具有鲁棒性。
一个相关的几何结果用到了豪斯多夫距离。对于某个环境度量空间中的紧子集 和 ,相应的到集合的距离函数满足:
结合稳定性,这一结果可以控制它们的偏移滤过的持久性。对于抽象度量空间上的 Rips 滤过,类似的界使用格罗莫夫–豪斯多夫距离,其中的常数取决于参数约定。这些结论解释了为什么足够精确的几何近似能够保留多尺度拓扑信息。
稳定性与重建并不相同。稳定性比较的是两个数学输入;重建则要回答,观测数据能否恢复某个未被直接观测到的对象的性质。对于来自光滑流形的样本,如果采样足够密集,且噪声相对于几何特征的尺度足够小,就可能实现正确恢复。一个相关的量是可达半径,即在该距离范围内,各点在底层集合上都有唯一的最近投影。与宽阔、彼此相距较远的特征相比,纤细、弯曲剧烈或间距较小的特征需要更精细的采样。
这一区别在处理离群点时尤为重要。一个远离紧致点云的观测点,就可能大幅增加豪斯多夫距离,并产生一个寿命很长的连通分支。因此,具有鲁棒性的替代方法会用对密度敏感的构造,取代普通的到集合的距离函数。例如,到测度的距离函数会汇总为涵盖指定概率质量所需的距离,从而降低孤立观测点的影响。其鲁棒性既取决于所选的质量参数,也取决于用来比较分布的度量。
作为一种科学保证,稳定性也有其局限。对某一坐标重新缩放,可能显著改变成对距离,但在相关定理的意义下,这并不属于微小扰动。加入来自此前未采样区域的观测数据,完全可能合理地改变推断出的拓扑结构。此外,一种摘要表示即使是稳定的,也可能丢弃某项具体任务所需的信息。因此,恰当的理解是:持久性在指定变换下提供了可控的连续性,而不是在所有看似合理的数据改动下都保持不变。
统计推断与拓扑摘要
统计拓扑数据分析将观测视为随机变量,研究估计得到的拓扑摘要与总体层面目标之间的关系。可能的目标包括概率分布的支撑集、密度函数的上水平集、回归函数,或各实验单元上持久图的分布。这些属于不同的推断问题。例如,分布支撑集的拓扑可能不同于其高密度区域的拓扑,尤其是当低密度的桥接区域将原本分离的簇连接起来时。
采样假设决定了哪些对象可以被估计。若独立观测来自紧支撑集,且足够小的邻域内具有充足的概率质量,经验支撑集就可能在豪斯多夫距离意义下收敛。随后,可利用稳定性将几何估计的误差界转化为持久性的误差界。稀疏采样、重尾分布、测量误差或相互依赖的观测则需要不同的论证。特别是,将记录轨迹中的每个点都视为独立重复观测,可能会严重高估可用的信息量。
数值参数的置信区间在拓扑中有一个对应概念,即估计所得持久图周围的置信区域。如果某种方法给出了有效的瓶颈误差界 ,那么距离对角线超过 的特征,就不可能全部通过在该误差界内将其匹配到对角线来解释。这提供了一个有理论依据的阈值,但其解释仍取决于所选目标、假设和覆盖率陈述。它并不会自动为每个单独的环赋予一个真实存在的概率。
重采样为不确定性评估提供了另一条途径。自助采样方法、子采样和置换检验可用于评估拓扑摘要的变异或组间差异。但这些方法的有效性并非天然成立,因为取值为持久图的统计量可能不光滑,而且某些支撑集估计问题并不像普通样本均值那样表现。重采样单元也必须与实验设计相符:合适的单元可能是受试者、标本或独立轨迹,而非其中的单次测量。多个维度、多个尺度以及不同的预处理选择会带来多重检验问题。
在统计学习中,持久图通常会被转换为向量或函数。持久性景观将每个区间替换为一个三角形函数,并在每一点上对这些函数的取值进行排序。持久性图像则对持久图中的点进行变换和加权,再将其平滑化,并在网格上对结果积分。贝蒂曲线记录每个参数值下活跃同调类的数量。这些摘要使均值计算、函数比较、核方法和常规分类器的应用成为可能,但各自保留和舍弃的信息有所不同。
预测效果的评估需要像机器学习的其他应用一样,将训练与评估分开。缩放方式、滤过、同调维数、图像分辨率和模型参数的选择都可能影响性能。如果这些选择是从数据中学习得到的,就应将其纳入训练过程,并在适当情况下纳入交叉验证。分类结果良好,本身并不能证明相关的孔洞或分支是底层系统中具有因果作用的特征。
Mapper 与拓扑网络表示
Mapper 是一种根据选定函数,为数据构建紧凑网络表示的方法;这个函数通常称为滤波函数或透镜函数。设 将观测映射到低维空间。用相互重叠的集合 覆盖像集 ,然后对每个原像 进行聚类。得到的每个簇都成为一个顶点。如果两个顶点对应的簇至少包含一个共同观测,就在它们之间连边;多个簇的共同交集还可以用来定义高维单纯形,不过可视化通常侧重于图结构。
覆盖集合之间的重叠至关重要。如果各覆盖集合互不重叠,相邻区域中的簇就不会包含共同观测,构造结果也就会丢失将整个概要结构联系起来的连接。对于实值透镜函数,常用的覆盖由长度和重叠程度均预先指定的区间组成。透镜函数可以是某个测量量、密度估计、离心率函数,也可以是通过主成分分析得到的坐标。也可以使用多个透镜坐标,但随着覆盖维数增加,计算开销也会增大。
Mapper 与 Reeb 图有关,后者将函数某一水平集中属于同一连通分支的点视为同一点。例如,随着水平截面的连通性发生变化,环面上高度函数的 Reeb 图可能出现分叉与重新汇合。Mapper 用相互重叠的带状区域和有限数据上的聚类,替代精确的水平集和连续空间中的连通分支。在适当假设下,通过受控的细化过程,已有数学结果建立了 Mapper 构造与 Reeb 类对象之间的联系。然而,任意一个根据实际数据构建的 Mapper 图,并不天然就是对某个唯一潜在图结构的忠实重建。
其输出取决于若干相互影响的选择:透镜函数、覆盖分辨率、重叠程度、度量以及聚类算法。分支的出现可能是因为某个群体确实发生了分化,也可能是因为局部密度发生变化,或是聚类阈值将某一区域分割成了多个部分。精细的覆盖可能揭示局部细节,但也更容易受到采样稀疏的影响;粗略的覆盖则可能将不同结构合并。即使透镜函数保持不变,改变重叠程度也可能改变图的连通性。稳定性研究和多尺度扩展在一定程度上处理了这种敏感性,但常规 Mapper 仍是一种依赖参数的探索性构造。
Mapper 与常规网络的区别还体现在顶点和边的含义上。一个顶点表示某个覆盖集合内的一个簇,并不一定对应单个观测,也不一定对应与其他群体互不相交的群体。同一个观测可以属于多个顶点,而边表示的是成员重叠关系,并非相关性、物理接触或因果影响。因此,不能简单地将各顶点包含的观测数相加来得到样本量。
这种方法适合展示分支轨迹、异质群体以及协变量之间的关系,而不必将所有观测强行归入一个无层次的划分。不过,其清晰直观的视觉效果也可能诱使人们过度解读。图的布局本身是一个额外的表示步骤:力导向布局中的距离和角度,不一定对应原始数据中的距离和角度。因此,科学解释需要考察成员归属、注释信息、参数敏感性和独立证据,而不能仅凭某个分支在视觉上的显著程度。
算法、复杂度与软件
经典的持续同调算法将边界算子表示为一个矩阵,其行和列按滤过顺序排列。算法通过加上先前的列来约化各列,使约化后的非零列具有互不相同的最下方非零元位置。由此得到的主元确定一组诞生—消亡配对。这一过程类似于线性代数中的消元法,但保留了追踪持续性所需的顺序信息。当系数取自 时,可以利用位运算或稀疏表示高效地实现算术运算。
若一个滤过复形包含 个单纯形,直接进行矩阵约化的最坏情况时间复杂度为三次方,存储空间需求则可能达到平方量级。实际性能可能好得多,因为边界矩阵最初是稀疏的,而且许多列可以简化,甚至无需处理。清除、压缩、专门的排序策略以及持续上同调,都能在许多应用中降低开销。持续上同调利用对偶的代数信息,能够在域上恢复相同的区间数据,同时支持内存性能较好的实现方式。
单纯形的数量往往是更严重的瓶颈。一个具有 个顶点的 Rips 复形可以将顶点的每个子集都包含为一个单纯形。即使只需要某个固定维数及以下的单纯形,候选单纯形的数量仍可能迅速增长。计算 阶及以下的同调,通常需要 -单纯形的信息,因为它们决定了哪些 -闭链会成为边界。因此,即使分析仅限于环,也仍然需要考虑三角形。
有多种方法可以减轻这一负担。稀疏 Rips 构造可以近似完整的滤过,并在适当条件下提供明确的近似保证。地标点构造和见证复形构造利用点集的一个子集来定义更小的复形,但其保证取决于具体的构造方式。当环境空间维数较低时,Alpha 复形可以较为经济,但基于 Delaunay 的方法在高维中会变得代价高昂。立方复形算法利用图像的规则结构,而隐式表示则尽可能避免显式存储每个单纯形。
广泛使用的软件包括 GUDHI、Ripser、Dionysus、PHAT 和 giotto-tda。它们的功能范围各不相同:有的侧重于特定的持续性算法,有的则提供几何构造、统计表示或机器学习接口。Ripser 尤以高效计算 Vietoris–Rips 持续性而闻名,GUDHI 则提供更丰富的复形和拓扑工具。即使已有现成的软件实现,仍需明确指定系数域、滤过约定、截断阈值,以及所报告的同调是约化同调还是非约化同调。
要保证可复现性,还必须关注数值细节。浮点运算可能改变几乎相等的滤过值之间的顺序,而稀疏近邻图或近似近邻图可能遗漏预期构造所需的边。在这样的图上进行计算可能完全合理,但除非有适用的近似定理,否则这就相当于定义了一个不同的输入。因此,记录所用的度量、预处理方法、最高同调阶数、参数范围、软件版本和随机化设置,也是记述实际所分析的数学对象的一部分。
应用与特定领域的解释
在材料科学中,持续同调用于描述原子、颗粒、孔隙和物相在多个尺度上的排列结构。由原子位置构成的点云可以产生与环状排列相关的环路,以及与较大空隙相关的空腔。基于不同原子半径构造的滤过,可以纳入无权点云所忽略的化学差异。对玻璃及其他无序材料的研究利用持续图,探究了仅凭对关联函数可能难以表述的中程有序结构。不过,检测到的同调类并不自动对应某个唯一的物理环或孔隙。
分子领域的应用将几何描述符与化学信息相结合。在构造滤过之前,可以先按原子类型或残基类别,对来自蛋白质结构的坐标进行分组。这类针对特定元素的构造,可以区分普通几何方法会同等对待的相互作用。拓扑摘要已被用作预测分子性质和相互作用的模型特征。这些都是依赖具体任务的统计应用:持续性并不能直接计算结合自由能、确立生化机制,也不能取代物理建模。
在神经科学和动力系统研究中,拓扑可以揭示高维活动中潜在的组织结构。当神经元群体编码周期变量时,其测量数据可能分布在具有圆周或环面结构的空间中。2022 年的一项网格细胞群体活动研究报告称,单个模块内细胞的联合活动具有环面拓扑。这类发现涉及的是群体状态的组织方式,而不是大脑的物理形状。这种推断取决于预处理方法、采样覆盖程度,以及能够将环面与其他可能结构区分开来的证据。
对于时间序列,延迟坐标构造将连续的测量值转换为如下形式的点:
其中, 为延迟量, 为嵌入维数。周期行为可以产生类似环路的几何形态,而更复杂的动力系统则可能产生更高维的结构。因此,滑动窗口持续性方法已被用于量化周期性和动力学组织方式的变化。趋势、噪声、不均匀采样以及所选的延迟窗口,都可能影响最终得到的拓扑结构。
在成像领域,下水平集或上水平集滤过用于概括不同阈值下的连通区域、隧道和空腔。其应用涵盖多孔介质、显微成像和生物医学图像分析。多孔材料的三维图像可能包含许多连通的空隙,却只有少量独立隧道,也可能恰好相反;这些差异会影响拓扑对其结构的描述。欧拉示性数等度量提供了计算成本较低的摘要,但由于它们综合了各维度的贝蒂数,也可能掩盖不同维度之间相互抵消的变化。
网络构成了另一类应用对象。加权图可以按边权重进行滤过;在其团复形中,只要所需的两两连边全部存在,就加入相应的单形。此时,环路描述的是这个构造出的复形中缺失的高阶填充,而不一定是原始系统中的实际路径。对于基于相关关系构建的网络,尤其需要谨慎:对相关关系设定阈值以及填充团,都是建模决策,所得到的拓扑结构并不能确立因果关系。在各个领域中,最有说服力的解释,都是将定义精确的拓扑特征与得到独立证据支持的科学结构联系起来。
历史发展与更广泛的研究方向
拓扑数据分析并非源于某一项发明,而是由多个研究传统汇聚而成。经典代数拓扑提供了同调及相关不变量;计算几何提供了形状的有限表示;统计学习则提出了有关含噪高维观测数据的研究问题。20 世纪 90 年代初,帕特里齐奥·弗罗西尼等研究者发展了基于大小理论的形状描述;同一年代稍晚,瓦妮莎·罗宾斯研究了采样集合中的持久拓扑信息。这些进展推动确立了一种观念:应当随着参数的变化追踪特征,而不是仅对其进行一次测量。
赫伯特·埃德尔斯布伦纳、戴维·莱彻和阿夫拉·佐莫罗迪安于 2002 年发表的拓扑持久性论文,是算法发展中的一个重要里程碑。随后,佐莫罗迪安与贡纳尔·卡尔松的工作阐明了域上持久性的代数结构及其计算方法。戴维·科恩-施泰纳、埃德尔斯布伦纳和约翰·哈勒在 2007 年发表的研究中,确立了一项基本的持久图稳定性定理。这些成果将可计算的摘要与有关分解和扰动的数学理论联系起来。
Mapper 由古尔吉特·辛格、法昆多·梅莫利和卡尔松于 2007 年提出。卡尔松 2009 年发表的《拓扑与数据》一文,帮助阐明了一项将拓扑方法与数据分析相结合的更广泛研究计划。在随后的十年里,这一领域的统计基础、高效实现以及与机器学习的结合都取得了长足发展。研究者也逐渐将探索性可视化、几何重建、假设检验和用于预测的特征工程区分为相互关联但各自独立的目标。
一个重要的扩展方向是多参数持久性。普通持久性只改变一个参数,但实际应用可能需要同时考虑距离与密度,或空间尺度与时间。双滤过 在每个坐标方向上都具有嵌套关系,由此得到以偏序平面为索引的持久模。与有限单参数情形不同,一般的多参数模无法通过一组简单的区间得到完整分类。因此,研究者采用秩不变量、希尔伯特函数、表示以及一维限制等摘要,各自揭示结构的不同侧面。
之字形持久性允许映射方向交替变化,因而能够处理对象既被添加又被移除的序列。这对于演化网络和移动观测窗口很有用,因为在这些情形下,仅允许包含映射的普通滤过可能并不自然。扩展持久性将普通同调信息与相对构造结合起来,使原本会始终保持为本质特征的特征也能得到配对。持久上同调还可用于构建圆周坐标:合适的一维上同调类可以转化为取值于圆周的函数,用于描述循环结构。
其他研究方向则将拓扑与学习和优化联系起来。基于持久性的可微目标函数,可以让选定的拓扑性质影响学习得到的表示、图像分割或几何重建。这类目标函数的导数通常是分段定义的,并可能随着持久性配对的改变而变化。与此同时,关于计算极限、稳健估计、代表性循环和不确定性的研究,旨在区分算法能够计算出什么,以及数据集能够为哪些结论提供依据。多参数模型尤其凸显了这一区别:更丰富的描述能够保留更多结构,但也需要更多计算,并要求更审慎地选择可解释的摘要。