基于时间感知的多维持久性动态对象的知识表示
内容提要
本文综述拓扑数据分析在时间序列、fMRI和持续图向量化中的应用，提出稳定多尺度核、永久图向量化框架，以及参数独立图神经网络与拓扑感知嵌入记忆，以解决图持续学习中的内存爆炸问题；同时开发持久图与数字数据的关联流程，提升分类与聚类性能。
延伸解读
拓扑数据分析在时间序列与fMRI中的应用
文章展示了拓扑数据分析在动力系统时间序列和fMRI数据中的具体应用。通过图形化表示提取周期性和混沌特征，并利用序数分区框架构建图形，该方法提升了动态特性描述的准确性和噪声鲁棒性。在fMRI分析中，通过编码高维空间极小值的并归图，有效处理了数据噪声和个体差异，并成功分析了儿童和成人在观看电影时的大脑状态和拓扑活动。这些案例表明拓扑方法在复杂时间序列分析中具有实用价值。
持久图向量化与稳定多尺度核的进展
文章综述了持久图向量化的多种方法，包括将持久图转换为持久图像以提升机器学习任务中拓扑信息的鉴别能力，以及通过自适应分区改进模板函数功能，提供稳定向量表示。特别地，设计稳定表现拓扑特征的多尺度核，在理论上将拓扑数据分析与基于核的学习技术相联系，并证明了该核对于1-Wasserstein距离的稳定性。实验显示，在3D形状分类/检索和纹理识别任务上，该方法与基于持久景观的替代方法相比具有相当的性能优势。
图持续学习中的内存爆炸问题与解决方案
针对图持续学习中的内存爆炸问题，文章系统分析了关键挑战，并提出参数独立的图神经网络（PDGNNs）与拓扑感知嵌入记忆（TEM）的通用框架。该框架将内存空间复杂性从O(nd^L)降低到O(n)，并通过拓扑感知嵌入将自我子图压缩为紧凑向量，充分利用拓扑信息进行内存回放。基于此，文章发现了伪训练效应，并开发了覆盖率最大化采样策略，在紧凑内存预算下提升性能。实证研究表明，该框架在类增量设置中明显优于最先进技术。
持久图与数字数据关联的流程开发
文章开发了一种将持久图与数字数据关联的流程，通过最适合数据类型的过滤，并使用网格搜索方法确定最佳表示方法和参数。在常见基准数据集上，该流程比较了不同的表示方法，旨在理解为什么在给定数据集和任务下，一对（过滤，拓扑表示）优于另一对。这是利用持久同调和机器学习进行数据分类的简单易用流程的第一步，为后续研究提供了基础。
Q&A
拓扑数据分析如何用于分析动力系统时间序列的周期性和混沌特征？
采用拓扑数据分析方法，从动力系统时间序列的图形化表示中提取周期性和混沌特征信息，并使用序数分区框架构建两种图形。该方法提供了更准确的动态特性描述，并具有更强的噪声鲁棒性。
如何用拓扑学方法处理fMRI数据中的噪音和个体差异？
使用拓扑学方法编码fMRI数据，检测时间点后高维空间极小值的并归图，以此处理数据集中的噪音及人与人之间的差异，并开发了一种聚类和轨迹分析的技术，成功分析儿童和成人在观看电影“Partly Cloudy”时的大脑状态和拓扑活动。
什么是持久图向量化框架？它有什么作用？
持久图向量化框架是一种将图编码为永久图并进行向量化的稳定方法，该框架通用而灵活，囊括了文献中使用的大部分向量化技术，并在实际数据集上的分类任务中取得了竞争力的成绩。
如何解决图持续学习中的内存爆炸问题？
提出了一种通用的框架，即参数独立的图神经网络（PDGNNs）与拓扑感知嵌入记忆（TEM）。该框架将内存空间复杂性从O(nd^L)降低到O(n)，并充分利用拓扑信息进行内存回放。通过解耦可训练参数与计算自我子图之间的关系，PDGNNs通过拓扑感知嵌入（TEs）将自我子图压缩为紧凑的向量，以减少内存消耗。
在持续学习中，如何提高内存回放的性能？
基于PDGNNs和TEM框架，发现了在不断扩大的图表上连续学习中独特的伪训练效应，并由此开发了一种新的覆盖率最大化采样策略，可以在紧凑的内存预算下提高性能。
如何将持久图与数字数据关联起来以提升分类和聚类性能？
开发了一种通过最适合数据类型的过滤将持久图与数字数据关联起来的流程，使用网格搜索方法确定最佳表示方法和参数，并在常见基准数据集上比较不同的表示方法。这是利用持久同调和机器学习进行数据分类的简单易用的流程的第一步，同时为了解为什么在给定数据集和任务的情况下，一对（过滤，拓扑表示）优于另一对。
