본 연구에서는 ~\cite{pegoraro2025persistence}에서 도입된 지속성 구(persistence sphere)를 개선하고 확장합니다. 지속성 구는 계수 측도(counting measure)로서의 지속성 다이어그램(PD)을 포함하여 상반평면 상의 적분 가능한 측도 $μ$를 함수 $S(μ)\in C(\mathbb{S}^2)$로 매핑하며, 이 매핑은 1-와서스타인 부분 수송 거리 $\mathrm{POT}_1$에 대해 안정적입니다. 나아가 본 연구진이 아는 한, 지속성 구는 콤팩트 지지(compactly supported)를 갖는 모든 목표 측도에서 상(image)에 대한 역상의 연속성이 규명된 위상수학적 머신러닝 최초의 명시적 표현입니다. 부분 수송 공간에서 최근 도출된 유계 기수(bounded-cardinality) 바이-립시츠(bi-Lipschitz) 임베딩 결과들은 강력함에도 불구하고, 본 논문에서 고려하는 형태의 명시적 요약 매핑으로는 주어지지 않습니다. 본 연구의 구성은 볼록 기하학에 기반을 두고 있습니다. 양의 측도에 대해, 정의상 사용되는 ReLU 적분은 리프트 조노이드(lift zonoid)의 지지 함수가 됩니다. 본 연구는 ~\cite{pegoraro2025persistence}를 바탕으로 부호화된 대각선 증강을 통해 부분 수송을 인코딩함으로써 $\mathrm{POT}_1$ 삭제 메커니즘과 더 잘 부합하도록 정의를 개선합니다. 특히 적분 가능한 $μ$에 대해 $S(0)$과 $S(μ)$ 사이의 균등 노름(uniform norm)은 임시방편적인 재가중 없이도 $μ$의 지속성에만 의존하며, 이는 지속성 비용에서의 대각선으로의 최적 수송을 반영합니다. 이를 통해 (수치적 이산화를 제외하면) 측도 수준에서 매개변수가 없는 표현을 얻을 수 있으며, $μ$가 PD로부터 파생된 평활화된 측도(예: 지속성 강도 함수~\citep{wu2024estimation})인 향후 확장도 수용할 수 있습니다. 함수형 데이터, 시계열, 그래프, 메시, 포인트 클라우드를 포함하는 군집화, 회귀 및 분류 작업 전반에 걸쳐, 업데이트된 지속성 구는 경쟁력을 보이며 지속성 이미지, 지속성 랜드스케이프, 지속성 스플라인, 슬라이스드 와서스타인 커널 베이스라인보다 더 우수한 성능을 나타내는 경우가 많습니다.
2000-2025년 ATP 단식 경기에 위상 데이터 분석(TDA)과 그래프 이론을 적용하여 테니스 경기 결과를 예측하는 두 가지 접근법을 제시한다. 첫 번째 방법은 선수 경쟁 네트워크에 lower-star filtration을 적용하고, Modified Band Depth 분석과 결합하여 네 가지 요약 방법(VAB, HNAV, HWNAV, OW-HNPV)을 사용한 지속 호몰로지(persistent homology)를 통해 위상학적 특징을 추출한다. ego graph 근사와 triangle elimination을 포함한 알고리즘 최적화를 통해 약 6만 6천 경기를 분석할 수 있다. 위상학적, 그래프 이론적, 랭킹 특징을 사용한 Random Forest 모델은 66.2% 정확도(AUC = 0.719)를 달성한다. 특징 중요도 분석 결과, 랭킹이 36.3%, 중심성(centrality)이 25.5%, TDA 특징이 24.0%를 기여하며, 위상학적 특징은 보완적 신호를 제공한다. 랭킹을 사용할 수 없을 때 위상학만 사용하는 모델은 63.56% 정확도를 유지하여, 네트워크에서 파생된 특징만으로도 의미 있는 경쟁 구조를 포착함을 보여준다. 두 번째 방법은 시간적 엣지 가중치를 적용한 수정 Katz 유사도 지수를 사용하여, 홀드아웃 테스트 데이터에서 62.48% 정확도를 달성한다. 본 연구는 테니스 예측에 lower-star filtration을 최초로 적용하고, 스포츠 분석에서 네 가지 위상학적 요약 방법을 체계적으로 비교하며, TDA가 네트워크 위상만으로도 우연 이상의 예측을 달성할 수 있고 전통적 특징과 결합할 때 추가적 가치를 제공함을 보여준다.
그래프, 단순 복합체(simplicial complex), 셀 복합체(cell complex)와 같은 조합론적·위상학적 구조는 기하학적·위상학적 심층 학습(geometric and topological deep learning, GDL 및 TDL) 아키텍처의 기반이 된다. 이러한 모델은 해당 영역 위에서 신호를 집계하고, 지역 특징을 통합하며, 다양한 실세계 응용을 위한 표현을 생성한다. 그러나 학습 과정에서 GDL 및 TDL 특징의 분포와 확산(diffusion) 거동은 여전히 미해결이며 충분히 탐구되지 않은 문제로 남아 있다. 이 공백에 착안하여, 우리는 그래프 기반 아키텍처에서 노드 특징과 엣지 가중치의 지역적 일관성(local consistency)과 조화성(harmonicity)을 모델링·분석하기 위한 세포(cellular) 셰프 이론적 프레임워크를 제안한다. 셰프 구조를 통해 지역 특징 정렬(alignment)과 일치(agreement)를 추적함으로써, 이 프레임워크는 특징 확산과 집계에 대한 위상학적 관점을 제공한다. 또한 위상 데이터 분석(topological data analysis, TDA)에서 영감을 받은 다중 스케일(multiscale) 확장을 제안하여 그래프 모델의 계층적 특징 상호작용을 포착한다. 이 접근법은 기하학적·위상학적 구조와 그 위에 정의된 학습된 신호에 기반하여 GDL 및 TDL 아키텍처를 공동으로 특성화할 수 있게 하며, 노드 분류, 부분구조 탐지, 커뮤니티 탐지와 같은 기존 과제에 대한 향후 연구를 위한 통찰을 제공한다.
PHINN-EEG: Topological Time-Series Analysis of Dream-State EEG -- Dynamic Betti Curves for Dream Content Classification and Topology-Conditioned Neural Signal Synthesis
현재 뇌전도(EEG) 기반 꿈 탐지는 전력 스펙트럼 밀도(PSD)와 통계적 모멘트 특징에 의존하며, DREAM 데이터베이스에서 수신자 조작 특성 곡선 아래 면적(AUC) 약 0.70의 최신 성능을 달성하고 있다(Wong et al., 2025, Nature Communications). 우리는 꿈 내용 분석을 위한 최초의 위상적 시계열 프레임워크인 PHINN-EEG(Persistent Homology Inspired Neural Network for EEG)를 소개한다. 다채널 각성 전 EEG 에포크에 슬라이딩 윈도우 Takens 지연 임베딩과 Vietoris-Rips 필트레이션을 적용하여, 신경 활동의 에너지만이 아닌 기하학적 구조를 특성화하는 동적 Betti 곡선을 추출한다. 이러한 위상적 불변량은 위상 조건부 플로우 매칭과 결합되어, DREAM 데이터베이스의 공개 접근 부분 집합(20개 독립 실험실의 263명 참가자로부터 총 3,191건의 각성 사례를 포함한 전체 레지스트리에서 추출한 1,462건의 각성 사례)에서 기존 PSD 및 catch22 기준선을 능가하여 AUC = 0.82–0.90을 달성할 것으로 분석적으로 예측된다. 또한 꿈 상태 EEG 합성을 위한 위상 조건부 정류 플로우 모델을 소개하며—위상적 조건부의 가치를 독립적으로 분리하기 위한 추가 절제 기준선으로서 유사한 특징 차원의 스펙트럼 조건부 플로우 모델도 제시한다—현상학적 꿈 보고 범주와 위상을 연결하는 후보 Betti 전이 원형 집합을 제안하며, 이는 경험적 검증이 필요한 탐색적 가설 공간으로 제시된다. 검증될 경우, 이 연구는 신경 희귀 이벤트 탐지에서 스펙트럼 에너지로부터 위상 공간 기하학으로의 패러다임 전환을 의미하며, 웨어러블 뇌-컴퓨터 인터페이스(BCI) 꿈 모니터링에 대한 잠재적인 미래 시사점을 가진다.
지속적 코호몰로지로 감지된 데이터의 루프 구조를 해석 가능한 과학적 후보 변수들과 연결하기 위해, 사용자 제공 사전에서 원값 좌표(circle-valued coordinates)를 선택하는 CIRCOL 방법을 제안한다. 이 방법은 코체인 내적이 비균일 샘플링 환경에서 $L^2$ 내적의 일치 추정량임을 이론적으로 증명하며, 분자 시뮬레이션 및 머리 방향 세포 신경 기록 실험에서 유효성을 검증하였다.
위상 데이터 분석(Topological Data Analysis)의 지속적 호몰로지(persistent homology, PH) 벡터화를 활용해 제한된 데이터셋으로 학습된 챗봇의 입력을 강화하고, encoder-encoder, encoder-decoder, decoder-decoder 등 다양한 아키텍처에서 PH 적용 유무에 따른 성능을 비교한다. 실험 결과, PH 강화가 항상 유효하지는 않지만 decoder-decoder 모델의 perplexity 지표에서 일관되고 상당한 성능 향상을 가져오는 등 사실상 추가 비용 없이 챗봇 성능을 개선할 수 있음을 보였다.
실시간 프로세스 모니터링은 고차원 시계열 데이터에서 실행 가능한 정보를 추출하는 방법을 필요로 합니다. 본 연구에서는 위상 데이터 분석(TDA)과 머신러닝 도구를 결합한 프로세스 모니터링을 위한 새로운 접근법을 제시합니다. 제안된 접근법에서는 다변량 시계열 데이터를 다양체(manifolds)로 표현하고 해당 데이터의 구조를 요약하기 위해 위상 기술자(topological descriptors)를 사용하며, 시스템의 위상 구조에 대한 동적 진화를 학습하기 위해 신경망 상미분 방정식(neural ordinary differential equation)을 사용합니다. 산업 공정의 실제 데이터를 사용하여, 이 궤적 기반 이벤트 탐지 접근법이 다양한 유형의 이벤트를 탐지하는 데 효과적임을 보여줍니다. 또한 본 접근법을 주성분 분석(PCA) 및 오토인코더와 같은 재구성 기반 접근법과 Koopman 오토인코더를 사용하는 궤적 기반 접근법과 비교합니다.
지속적 호몰로지(persistent homology)에서 파생된 특징(feature)으로 학습된 지도 머신러닝 파이프라인은 실험적으로 지속 다이어그램(persistence diagram)에 포함된 상당한 정보를 무시하는 것으로 관찰되었습니다. 그러나 지속 다이어그램을 계산하는 과정은 종종 이러한 파이프라인에서 가장 계산 비용이 많이 드는 단계입니다. 이러한 현상을 탐구하기 위해, 우리는 축소되지 않은 경계 행렬(unreduced boundary matrix)에서 위상 특징 벡터를 생성하는 여러 방법을 소개하고 그 이론적 및 계산적 특성을 조사합니다. 우리는 여러 데이터와 작업 유형에 걸쳐, 축소되지 않은 지속 다이어그램(PD)의 벡터화로 학습된 파이프라인의 성능을 완전히 축소된 PD의 벡터화로 학습된 파이프라인의 성능과 비교했습니다. 결과에 따르면, 축소되지 않은 다이어그램에서 구축된 PD로 학습된 모델은 일부 작업에서 완전히 축소된 다이어그램으로 학습된 모델과 대등한 성능을 보이며 심지어 이를 능가하기도 했습니다. 또한, Ripser를 크게 수정한 버전으로 구현된 축소되지 않은 다이어그램 계산 알고리즘의 계산 성능을 벤치마킹했습니다. 이 계산들은 병렬화가 가능하며, 전체 지속 다이어그램을 계산하는 것에 비해 평균적으로 한 자릿수 더 적은 메모리를 필요로 했습니다. 본 연구 결과는 위상 기반 특징을 통합하는 머신러닝 파이프라인이 축소되지 않은 경계 행렬에 포함된 정보를 활용함으로써 계산 비용과 성능 면에서 이득을 볼 수 있음을 시사합니다.
우리는 학습된 기저 함수의 위상(topology)을 정규화하여 비음수 행렬 분해(NMF)에서 해석 가능한 기저의 학습을 연구합니다. 우리의 접근 방식은 많은 데이터 모달리티가 구조화된 도메인 위의 비음수 함수로 볼 수 있다는 관찰에서 동기를 얻었으며, 여기서 기저의 품질은 그 위상과 본질적으로 연결되어 있습니다. 그러나 지지 집합(support)의 위상을 통합하는 단순한 방법들은 종종 이산성과 임계값 의존성으로 인해 제한을 받아 연속 최적화에 부적합합니다. 우리는 안정적이고 임계값이 없는 위상학적 정량화 지표로서 지속적 호몰로지(persistent homology)를 활용하고, NMF 목적 함수에 정규화 항으로 통합되는 위상학적 점수를 설계하여 이러한 문제를 해결합니다. 결과적인 프레임워크는 공간적으로 응집된 이미지 구성 요소, 주기적인 시계열 구조, 클리크 유사 그래프 신호를 하나의 통합된 모델링 언어로 포괄합니다.
지속 다이어그램(Persistence diagrams)은 위상 데이터 분석에서 널리 사용되는 표현 방식이지만, 자연스럽게 벡터 공간에 속하지 않으며, 이를 비교하기 위해 개발된 통계 도구들은 대부분 다운스트림 예측에 사용되는 도구들과는 별도로 발전해 왔습니다. 우리는 PD(지속 다이어그램)의 (집합을) 생존 데이터로 취급하는 STRAND(Survival Topological Representation ANalysis of Diagrams)를 소개합니다: 지속 값 $p = d - b$를 갖는 각 위상 특징은 완전히 관측된 사건 발생까지의 시간(time-to-event)으로 간주되며, 지속 생존 함수 $S(t) = \mathbb{P}(p > t)$는 다이어그램 비교의 핵심 대상이 됩니다. 이 단일 표현을 통해 우리는 (i) 소수의 다이어그램으로부터 보정된 제1종 오류와 높은 검정력을 제공하는 비모수 두 표본 검정, (ii) 해석 가능한 효과 크기, (iii) 다운스트림 머신러닝을 위한 1-Wasserstein 안정적 특징 벡터를 도출합니다. 우리는 위상이 제어된 합성 다양체에서 보정과 검정력을 검증하고, 14개의 그래프 및 3D 점 구름 벤치마크에서 경쟁력 있는 벡터화 성능을 입증하며, fMRI/신경과학 데이터의 기능적 뇌 연결성 연구에 이 방법을 적용합니다. 우리가 아는 한, STRAND는 단일하고 일관되며 해석 가능한 표현에서 지속 다이어그램에 대한 가설 검정과 벡터화를 제공하는 최초의 방법입니다.
변이형 오토인코더(VAE)는 고차원 데이터의 저차원 잠재 표현을 학습합니다. 데이터가 비유클리드 위상(non-Euclidean topology)을 가진 매니폴드(manifold) 위에 존재할 때, 표준 가우시안 사전 분포(prior)는 위상 불일치(topological mismatch)를 야기하여 재구성 품질을 저하시키고 충실한 표현을 방해합니다. 본 연구에서는 곱 피복 공간(product covering space)을 허용하는 모든 매니폴드에 대해 이러한 불일치를 해결하는 건설적인 수학적 프레임워크를 제시합니다. 해당 매니폴드는 기본 인자(원, 구간, 또는 선)들의 곱으로 표현되거나 유한 대칭 그룹에 의한 그러한 곱의 몫(quotient)으로 표현될 수 있습니다. 이 클래스에는 원기둥, 토러스(tori), 뫼비우스 띠, 클라인 병, 실수 사영 공간 등이 포함됩니다. 기본 인자에 대한 인자화된 분포(factorized distributions)는 닫힌 형식(closed-form)의 결합되지 않은 KL 발산을 갖는 곱 위상을 산출하므로, 학습의 효율성을 유지하면서 각 잠재 인자를 독립적으로 형성할 수 있습니다. 우리는 주기적, 유계, 무계 지지 집합(supports)에 대해 재매개변수화 가능한 인코더-사전 쌍을 정리하고, 표준 신경망이 부드러운 기울기를 갖는 비유클리드 파라미터를 출력할 수 있도록 하는 좌표 변환을 제공합니다. 몫 매니폴드(quotient manifolds)의 경우, 디코더는 피복 공간 좌표의 그룹 불변(group-invariant) 특징을 수신하므로 식별된 점들이 동일한 출력을 생성합니다. 앵커 제약 조건(anchor constraints)은 데이터에 상대적인 좌표계를 고정하거나 부드러운 위상 구멍(topological holes)을 생성합니다. 합성 매니폴드와 실제 이미지 데이터셋(회전 및 순환 이동된 MNIST)에 대한 실험을 통해, 위상 일치 사전 분포(topology-matched prior)가 KL 정규화를 데이터 매니폴드와 정렬시킴을 확인했습니다. 그 결과 생성된 위상 인지 모델(topology-aware models)은 모든 실제적으로 관련 있는 정규화 강도에서 가우시안 기준선을 능가하는 성능을 보였습니다. 코드는 https://github.com/JvHulst/VAE-Topology에서 확인할 수 있습니다.