신경망(neural network) $Φ$의 표현력(expressivity)은 해당 네트워크가 표현할 수 있는 함수의 클래스를 설명합니다. 위상수학적 표현력(topological expressivity)이라는 용어는 이진 분류(classification)를 이해하는 데 특히 적합한 일련의 척도를 의미하며, 종종 결정 경계의 베티 수(Betti number)인 $β(Φ^{-1}(0))$의 관점에서 공식화됩니다. 이러한 대중성에도 불구하고, 이 척도는 회귀 및 결정 경계를 수반하지 않는 기타 문제에는 그다지 유용하지 않습니다. 대신, 본 논문에서는 신경망 출력의 베티 수인 $β(Φ(X))$의 관점에서 위상수학적 표현력을 연구할 것을 제안합니다. 우리는 구조가 $(d,\sum\limits_{k=1}^{d } β_k(3k+2),\sum\limits_{k=1}^{d}β_k(k+1))$인 렐루(ReLU) 네트워크가 임의의 베티 수를 갖는 구(sphere)들의 쐐기합(wedge sum)과 호모토피 동치(homotopy equivalent)인 공간을 표현할 수 있음을 엄밀하게 증명합니다. 이는 임의의 연결된($β_0=1$) 베티 수 수열에 대한 상한을 제공하지만, 차원이 $d_1,...,d_N$인 $N$개 구의 곱과 호모토피 동치인 공간을 구성함으로써 $\prod_n (1+x^{d_n})$으로 주어지는 베티 수에 대해 훨씬 더 나은 한계인 $(\sum\limits_{n=1} d_n, 3\sum\limits_{n=1}\limits^N d_n + 2N, \sum\limits_{n=1}\limits^N d_n + N)$을 얻습니다. 마지막으로, 우리는 구와 위상동형(homeomorphic)인 공간에 대해 구조적 한계 $(d,d+1,d+1)$을 제공하는 훨씬 더 강력하고 타이트한 한계를 제시(conjecture)합니다.
다중매개변수 지속성 호몰로지(Multiparameter persistent homology)는 데이터의 거리적 특성을 포착하면서도 이상치(outlier)에 대한 단일 매개변수 지속성 호몰로지의 강건성을 개선하는 위상수학적 데이터 분석(TDA)의 빠르게 발전하는 분야입니다. 그러나 확장성(scalability)이 부족하다는 점이 주요한 한계로 지적됩니다. 본 논문에서는 대규모 점 집합에서 2-매개변수 지속성 호몰로지를 효율적으로 계산하는 새로운 접근 방식을 소개합니다. 본 연구는 원래 단일 매개변수 지속성을 위해 개발된 플러드 여과(Flood filtration)를 확장합니다. 서브레벨 플러드 이중여과(sublevel Flood bifiltration)라 불리는 제안 구성은 서브레벨 오프셋 이중여과에 대한 확장 가능한 근사를 제공합니다. 우리는 이것이 이론적인 안정성 특성을 지님을 보이고, 이를 효율적으로 계산하는 방법을 기술합니다. 또한 밀도 인지가 매우 중요한 저차원 합성 데이터셋에서의 분류 작업뿐만 아니라 실제 시계열 데이터셋에서도 본 접근 방식의 성능을 입증합니다.
플라톤적 표현 가설(Platonic Representation Hypothesis)은 모델의 능력이 향상될수록 공유된 표현으로 수렴(convergence)한다고 제안합니다. 최근 연구에서는 이 주장을 공유된 국소적 이웃 관계로 좁히며, 보정(calibration)을 거치고 나면 여러 전역적 유사도 측정치에서 나타나는 용량 의존적 경향이 대체로 사라진다는 점을 발견했습니다. 본 연구에서는 기존의 국소-전역 비교가 구조적 스케일(국소적 대 전역적)과 비교 대상 자체를 혼동하고 있음을 보여줌으로써 이러한 해석에 의문을 제기합니다. 즉, 어떤 샘플들이 연관되어 있는지를 정의하는 '관계적 구조(relational structure)'와 거리, 유사도, 상관관계와 같은 정량적 관계로 특징지어지는 '계량적 기하학(metric geometry)'을 혼동했다는 것입니다. 이러한 요인들을 분리하기 위해, 국소 및 전역 스케일 모두에서 관계적 구조와 계량적 기하학을 평가하는 통제된 $2\times2$ 프레임워크를 구축합니다. 상호 $k$-최근접 이웃(mutual $k$-nearest neighbors)의 전역적 대응물로서 $H_0$ 스켈레톤 중첩(skeleton overlap)을 도입하고, 이에 대응하는 거리 인식(distance-aware) 변형들도 함께 제시합니다. 비전-언어 모델 전반에 걸쳐, 관계적 구조는 보정 후 두 스케일 모두에서 강력한 표현 수렴을 보이는 반면, 거리에 대한 일치 기준이 엄격해질수록 정렬(alignment)이 크게 약화되며 용량 의존적 경향도 점차 평탄화됩니다. 나아가 리만 계량 근사(Riemannian metric approximation) 하에서 거리 일치도를 평가함으로써 주변 유클리드 기하학을 넘어서는 분석으로 확장하였으며, 동일한 구조-기하학 패턴을 재현해 냈습니다. 이 패턴은 비디오-텍스트 표현에서도 동일하게 재현됩니다. 종합적으로, 이러한 결과는 관계적 수렴이 국소적 이웃을 넘어 전역적 스패닝 구조(global spanning structure)로까지 확장되는 반면, 계량적 기하학은 현저히 약한 수렴을 보임을 명백히 드러냅니다.
유한 위상공간의 여과(filtration)에 기반한 데이터 분석 프레임워크를 소개한다. 유한 메트릭(metric) 데이터 집합에서 출발하여, 동일한 점 집합 위에 점점 거칠어지는(coarsening) 위상의 수열을 구성한다. 이 위상들은 통상적인 방식으로 지속성 모듈(persistence module)과 바코드(barcode)를 제공하지만, 여과가 호몰로지(homology)로만 축소될 때는 사라지는 정보도 함께 보존한다. 각 수준에서 예를 들어 어떤 점들이 위상적으로 구별 불가능한지, 그들의 최소 근방(minimal neighbourhood)이 어떻게 겹치는지, 연결 성분(connected component)들이 어떻게 합쳐지는지, 이러한 특징들이 수준마다 어떻게 변하는지 등을 살펴볼 수 있다. 이러한 여과의 기본 이론을 전개하고, 적절한 가정 하에서 안정성(stability) 결과를 확립하며, 거리 행렬(distance matrix)에서 바로 출발하는 실용적 구성 방법을 제시한다. 이어서 얻어진 유한 위상들로부터 무엇을 배울 수 있는지 연구한다. 서로 다른 형태, 크기, 밀도를 가진 군집(cluster)이 알려진 합성 데이터에서, 이러한 영역들이 유한-위상 구조들 가운데 어떻게 나타나는지, 위상이 거칠어질 때 어떻게 합쳐지는지 검토한다. 또한 구성 과정 초기에 덮이지 않게(uncovered) 되는 점들을 제거하고 분석을 반복할 때 어떤 일이 일어나는지도 연구한다. 1차원 호몰로지에 대해서는 유한-위상 구조 안의 경로(path)를 이용해 순환(cycle)을 찾아내고, 그 출현이 데이터의 기하(geometry)와 어떻게 연관되는지 살펴본다. 마지막으로 구조가 꽤 다른 두 실제 데이터 집합에 이러한 아이디어를 적용한다. Paul15 단일세포(single-cell) 데이터에서는 진화하는 유한 위상을 이용해 미세한 세포 상태, 그들의 겹침과 관계, 더 큰 집단으로의 조립, 이러한 구조들을 연결하는 점들을 제거했을 때의 영향을 검토한다. 물체 이미지가 한 바퀴 전 회전(full rotation)을 통해 샘플링되는 COIL20에서는, 이미지의 순환적(cyclic) 구조가 유한-위상의 진화와 관련 1차원 호몰로지에 어떻게 반영되는지 연구한다.
우리가 알고 있는 모든 다중 매개변수 지속성 벡터화는 단측 립시츠(Lipschitz) 상계만을 가지며 그 아래에는 아무것도 없습니다. 하한 게이지(lower gauge)가 없다면 특징이 충실하다(faithful)고 볼 근거가 없으며, 이를 기반으로 예측별 보장을 구축할 수도 없습니다. 본 논문은 이 결측된 측면을 제공합니다. COMPLEX는 다중 매개변수 모듈의 닫힌 형태(closed-form)이자 학습(training)이 필요 없는 임베딩(embedding)입니다. 즉, 모듈을 고정된 대각선 근처의 망(near-diagonal net)을 따라 슬라이스하고, 인증된 PLACE/PALACE 랜드마크 맵으로 각 슬라이스 바코드를 임베딩한 뒤 이를 연결합니다. Orbit5k에서 검증된 쌍의 100%에서 성립하는 확인 가능한 증인-슬라이스 일관성(witnessing-slice coherence) 조건 하에서, 단일 슬라이스는 닫힌 형태의 하한 게이지를 지닙니다. 즉, 분리된 모듈은 임베딩 내에서도 분리된 상태를 유지합니다. 이는 표준 상계와 함께 우리가 아는 한 다중 매개변수 특징 맵(feature map)에 대한 최초의 양측 왜곡 한계(two-sided distortion bound)를 제공하여 충실성을 측정 가능하게 만듭니다. 이를 측정한 결과, 하한선은 실현된 거리의 작은 배수 내에서 타이트하지만 작동상 국소적임을 확인했습니다. 동일한 특징에서 1-NN이 78%에 도달하는 반면 RBF-SVM은 91%에 도달합니다. 따라서 하나의 좌표로 하한 게이지가 입증되는 모든 랜드마크 임베딩에 공통적인 구조적 이유로 인해 국소적 예측별 인증은 실패합니다. 학습된 임베딩이나 홀드아웃(held-out) 보정 없이 오직 교차 검증된 SVM 헤드만으로 COMPLEX는 두 Orbit 벤치마크 모두에서 최고 성능(Orbit5k에서 91.95%, Orbit100k에서 92.98%)을 기록하며, 오일러 지표 곡면(Euler-characteristic surfaces)과 동등하거나 그 이상, 트랜스포머 및 graphcode보다 우수한 성능을 보였습니다. 그래프의 경우 고정된 단일 구성으로 네 가지 공유 분자 벤치마크 모두에서 GRIL을 능가했으며, COX2의 다수결 기준선(baseline)을 3포인트 이상 상회한 유일한 다중 매개변수 방법론이었습니다. 랜드마크 반경, 커널(인증서 보존형), 이중여과(bifiltration) 세트의 닫힌 형태 선택은 추가적인 정확도 향상을 가져오지만, 그래디언트(gradient) 형태의 적응은 어떠한 이점도 가져오지 않습니다.
깊이 방향 및 학습(training) 진행에 따른 표현의 클래스 조건부 포인트 클라우드 분리를 의미하는 클래스 얽힘 풀기(disentanglement)는 기술 곡선(descriptive curve)으로 측정되어 왔습니다. 이러한 연구가 도출하고자 하는 '층(layer) l+1이 층 l보다 더 얽힘이 풀려 있다'라는 서술은 귀무가설이 결여된 육안 판정에 불과합니다. 본 연구에서는 경계 행렬 축소(boundary-matrix reduction)가 없는 단 한 번의 알파 복합체(Alpha-complex) 스위프를 통해, 스케일의 함수로서 클라우드들의 볼 합집합 중첩에 대한 오일러 지표를 나타내는 '교집합 오일러 지표 프로파일(Intersection Euler Characteristic Profile)'이라는 클래스 중첩의 위상학적 측정을 위한 추론 층을 제공합니다. 모든 수치에는 검정이 수반됩니다. 양방향의 정확 순열 검정(exact permutation test), 해당 불변량이 요구하는 보호된 분리 증명, 비교 주장을 위한 대응 부호-반전 검정(paired sign-flip test)이 포함됩니다. 이러한 검정을 구축하는 과정에서 본 불변량을 넘어서는 교훈을 얻었습니다. 바로 통계량이 척도 무관(scale-free)이어야 한다는 점입니다. 특징(feature) 길이 단위를 갖는 가공되지 않은 프로파일 질량의 경우, 12,375개의 대응 검정에서 5,633개의 유의미한 스텝이 도출되었으나 첫 번째 에포크(epoch)의 모든 스텝이 잘못된 방향을 가리켜 특징 노름(feature-norm)의 동역학을 얽힘 풀기로 잘못 인증했습니다. 반면 무차원 통계량은 2,707개를 산출했으며, 이 중 2,026개가 감소세를 보였습니다. 111개 네트워크와 52,650회의 측정 전반에 걸쳐, 얽힘 풀기는 층 깊이에 따라 점진적이고 초기에 발생하며, 상호작용 몫(interaction quotient)은 혼동 가능성에 따라 클래스 쌍의 순위를 매겨(rho=0.83) 저비용 분리도 통계량과 동등한 수준을 보였습니다. 96개 모델(model) 요인 분석에서, 데이터 증강(augmentation)은 무작위 수준에 비해 클래스를 분리하는 유일한 학습 선택이었으며, 가중치(weight) 감쇠는 분리 없이 중첩을 압축할 뿐이었습니다. 오직 k-겹(k-fold) 통계량만이 구조적 질문을 던질 수 있습니다. 비전 인코더 및 동결된 언어 모델에서 클래스 삼중쌍(triple)의 결합 얽힘은 삼중층 셀의 97%와 심층 셀의 99.5%에서 가장 강한 쌍보다 아래에 위치하며, 그 중앙값 비율은 측정된 귀무 최저치보다 훨씬 낮았는데, 이는 법칙이 아닌 규칙성입니다. 정규화되지 않은 질량은 테스트 정확도를 예측하지만(R^2=0.94), 몫은 그렇지 못하며, 둘 다 선형 프로브(linear probe)의 성능을 넘어서지는 못합니다.
매그니튜드 호몰로지는 길이로 분次화되어 있으며 지속성(persistence)에 대해서는 아무 정보도 담지 않는다. 그 지속적 정교화는 바코드의 막대가 어디에서 시작하고 끝나는지에 대해서는 아무 정보도 담지 않는다. 우리는 이 둘이 하나의 구성임을 보인다. 길이에 대한 아래준위집합으로 길이 신경(length nerve)을 여과하면 지속성 모듈이 얻어지고, 그 여과의 연관 분次(associated graded)가 매그니튜드 복합체이다. 긴 정확 열(long exact sequence)이 둘을 서로 연결하며, 각 쪽은 상대쪽이 갖추지 못했던 것을 얻는다. 매그니튜드 호몰로지는 바코드의 임계값을 특정하므로, 분次적 계산이 끝점이 발생할 수 있는 길이들을 열거하고, 바코드는 크기 $\delta$의 섭동 아래 $n$차에서 $(n+1)\delta$의 안정성 추정을 얻는다. 한편 계산된 섭동은 바코드를 $\delta$보다 더 크게 이동시키므로 이 계수는 생략할 수 없다. 이를 정량적 방정식 이론(quantitative equational theories)에 적용하는데, 그 자유 대수는 구문으로부터 만들어진 메트릭 공간이다. 이론의 포함은 제시 모나드(presenting monads)의 사상을 유도하고 명시적 상界을 갖는 바코드 비교를 이끌어내므로, 이 불변량은 공리적 강도를 측정한다. 각 차수마다 하나씩, 네 가지 예를 계산하였다.
CBCT(Cone Beam Computed Tomography) 스캔은 상세한 3차원 영상을 제공하여 치의학에서 진단 및 치료 계획 수립 작업에 널리 사용됩니다. 이러한 스캔은 매우 유용하지만, 이를 분석하고 기록하는 작업은 노동 집약적이기 때문에 치아 유형 및 관련 병변을 식별하기 위한 해부학적 구조의 분류(classification) 및 분할(segmentation)과 같은 핵심 단계를 자동화하려는 노력이 이어져 왔습니다. 본 논문에서는 여러 스케일에 걸쳐 연결 요소, 구멍, 빈 공간(void)과 같은 특징을 식별하여 데이터의 형태를 연구하는 위상수학적 데이터 분석(TDA) 프레임워크인 지속성 호몰로지(persistent homology)를 활용한 자동화 접근법을 제안합니다. 지속성 호몰로지와 서포트 벡터 머신(SVM)을 결합하여 CBCT 스캔에서 치아를 분류하고 진단을 수행할 수 있도록 합니다. 우리의 방법은 치아 라벨링 작업에서 97.67%, 진단 작업에서 96.77%의 평균 정확도 점수를 달성하여 최고 수준(SOTA)의 성능을 향상시켰으며, 동일한 데이터로 학습된 CNN의 정확도인 각각 70.27% 및 86.67%를 크게 뛰어넘었습니다.
본 연구는 스칼라 시계열로부터 Hopf형 동역학적 전이를 직접 탐지하기 위한 위상학적 프레임워크를 제안한다. 이 방법은 지연 좌표 재구성과 지속적 호몰로지를 결합하고, 1차원 호몰로지 클래스의 최대 지속성을 순환 구조의 스칼라 기술자로 사용한다. 초临界 Hopf 설정에 대해, 재구성된 주기 궤도의 탐지 가능성을 그 기하, 샘플링 품질, 유한 데이터 perturbation과 연관짓는 유한 해상도 지속성 bound를 도출한다. 이어서 샘플링된 위상학적 함수형으로부터 임계 매개변수를 국소화하기 위해 도함수 기반 추정량을 도입한다. 이 접근법은 Hopf 정규형, Lorenz 시스템, 축약 Belousov–Zhabotinsky 모델에서 평가되었다. 수치 실험은 해당 전이의 정확한 유한 해상도 국소화를 보여 주며, 임베딩 매개변수, 시간적 샘플링, 평활화, 관측 노이즈, 과도(transient) 제거의 영향을 보여 준다. 이러한 결과는 비선형 시계열에서 기하학적 재구성을 탐지하는 해석 가능한 데이터 기반 도구로서 지속적 호몰로지를 뒷받침한다.
지속성 다이어그램(Persistence Diagram, PD)은 다중 스케일 위상학적 구조에 대한 안정적이고 해석 가능한 요약을 제공합니다. PD의 통계적 분석에서 상당한 진전이 이루어졌으나, 기존 문헌들은 종종 다이어그램을 정적인 객체로 다루며 PD 공간 상에서의 확률론적 모델링 및 확률적 진화(stochastic evolution)를 위한 프레임워크를 제한적으로 제공합니다. 본 논문에서는 위상 인지형 로컬 편집 연산을 통해 다이어그램이 진화하는, PD 공간 상의 확률적 역학을 위한 강화학습(RL) 프레임워크를 소개합니다. 이러한 역학은 가변적인 기수(cardinality)를 갖는 유한 PD 공간 상에서 제어된 마르코프 과정(Markov process)을 정의합니다. 우리는 유도된 마르코프 연쇄가 기약적(irreducible)이고, 비주기적(aperiodic)이며, 기하학적으로 에르고딕(geometrically ergodic)하기 위한 조건들을 규명하며, 이는 PD 공간 상에 유일한 정상 확률 법칙(stationary probability law)이 존재함을 시사합니다. 과학적으로 유의미한 위상학적 목표를 향해 역학을 유도하기 위해, 우리는 분포 매칭, 태스크 특화 위상 통계량, 구조 보존 압축을 포괄하는 목적 함수들을 공식화합니다. 그에 따라 도출된 보상은 태스크 특화 분포 목표, 다이어그램 충실도, 복잡도 감소 간의 균형을 맞추며, 적응형 위상 단순화 및 확률론적 모델링을 위한 프레임워크를 제공합니다. 합성 데이터 및 신경영상 PD에 대한 실험은 제안된 프레임워크가 다이어그램의 복잡도를 줄이면서도 지배적인 위상학적 구조를 보존할 수 있음을 입증합니다.
오일러 표수 곡선(Euler Characteristic Curve, ECC)은 주어진 방향에서 여과 높이(filtration height)의 함수로서 선형 임베딩된 셀 복합체(cell complex)의 오일러 표수를 기록하며, 오일러 표수 변환(Euler Characteristic Transform, ECT)은 여러 방향에 걸쳐 ECC를 수집하여 얻은 단사 형태 기술자(injective shape descriptor)입니다. 신경망을 위해 ECT를 어떻게 인코딩하는가는 그 자체로 귀납적 바이어스(inductive bias)이며, 관례적으로 각 ECC를 이산화하여 고정해 왔습니다. 본 연구에서는 연속 인코딩(continuous encoding)을 도입합니다. 즉, 각 방향과 각 정점(vertex)에 대해 해당 정점에 기인한 순(net) 오일러 표수 변화를 기록하여 방향별 토큰 시퀀스를 생성하고, 소형 트랜스포머가 이를 특징 벡터로 매핑합니다. 결과 파이프라인을 직교하는 축 위의 두 단계로 분리합니다. 즉, 각 방향 내에서 작동하여 해당 곡선을 고정 길이 벡터로 매핑하는 ECC 인코더와, 여러 방향에 걸쳐 작동하여 방향별 벡터를 하나로 집계하는 ECT 표현입니다. 구조에 구애받지 않는 피드포워드 기준선부터 평면 회전에 대한 동변성(equivariance)을 보존하는 합성곱 및 복소수 값 모델에 이르기까지, 다양한 귀납적 바이어스 범위를 아우르는 여섯 가지 ECT 표현 아키텍처를 연구합니다. 포인트 클라우드, 그래프, 큐비컬 복합체(cubical complex), 메시를 포괄하는 6개의 분류 벤치마크 전반에서 연속 인코딩은 6개 데이터셋 모두에서 정확도를 향상시켰으며, 대조 실험을 통해 이러한 성능 향상이 추가된 트랜스포머 용량이 아닌 토큰화 자체에 기인함을 확인했습니다. 표현 아키텍처는 인코딩 방식에 비해 덜 중요하며, 해당 아키텍처의 귀납적 바이어스로 인한 이득은 인코딩에 따라 달라집니다. 피드포워드 신경망은 연속 인코딩 하에서 가장 우수한 성능을 보이지만, 이산화 조건에서는 합성곱 아키텍처에 비해 견고성(robustness)이 떨어집니다.
우리는 위상학적 구조를 어텐션 친화적인 시퀀스로 인코딩하는 그래프 표현 학습(graph representation learning)을 위한 경량화되고 확장 가능한 프레임워크인 Topoformer를 소개합니다. 제안하는 방법의 핵심은 노드(node) 또는 에지 여과(edge filtration)를 슬라이싱하여 그래프를 짧고 정렬된 위상 토큰(topological token) 시퀀스로 분해하는 새로운 모듈인 Topo-Scan입니다. 이러한 시퀀스는 국소 모티프부터 전역적 구조에 이르는 다중 스케일 구조 패턴을 포착하며, 트랜스포머(Transformer)를 통해 처리되어 표현력이 뛰어난 그래프 수준 임베딩(embedding)을 생성합니다. 기존의 지속성 호몰로지(persistent homology) 파이프라인과 달리, Topo-Scan은 병렬화가 가능하고 비용이 많이 드는 다이어그램 계산을 피하며 표준 심층 학습(deep learning) 아키텍처와 매끄럽게 통합됩니다. 우리는 위상학적 인코딩의 안정성에 대한 이론적 보장을 제공하며, 그래프 분류(classification) 및 분자 특성 예측 벤치마크 전반에서 최고 수준의 성능을 입증합니다. 실험 결과는 Topoformer가 예측 가능하고 효율적인 연산을 제공하는 동시에 강력한 GNN 및 위상수학 기반 베이스라인과 대등하거나 이를 능가함을 보여줍니다. 본 연구는 위상학적 귀납적 편향(topological inductive bias)을 어텐션 프레임워크에 통합하여, 병렬화 가능하고 통합적인 그래프 표현 학습 접근법을 위한 새로운 길을 제시합니다.
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.