跳转到内容
← 返回概念
应用数学约 20 分钟阅读

拓扑数据分析

Topological Data Analysis

关键人物

edelsbrunnercarlssonzomorodianghrist
拓扑学数据分析持续同调代数拓扑机器学习

一个直觉：数据有"形状"，而形状比坐标更稳健

给你一团散落在平面上的点。你怎么描述它？最自然的回答是报出每个点的坐标。但坐标极度脆弱——把整张图旋转一下、平移一下、轻微拉伸一下，所有坐标都变了，可你心里清楚：这团点"本质上"还是同一团。

拓扑数据分析（Topological Data Analysis，TDA）问的是另一个层次的问题：抛开坐标的细节，这团数据有几个连通的"块"？中间有没有"洞"？有没有"空腔"？ 这些性质统称为数据的"形状"，它们在旋转、平移、连续形变下保持不变。一个甜甜圈和一个咖啡杯，在拓扑学家眼里是同一个东西，因为它们都只有一个洞——TDA 就是要把这种"数洞"的眼光，用到真实数据上。

为什么这值得做？因为真实数据往往高维、含噪、看不见。一个基因表达数据集可能有上万个维度，你根本画不出来。但如果这些数据点其实都落在某个低维曲面附近，而这个曲面有一个"环"的结构（比如细胞分化是一个周期过程），那么这个环就是关于数据的一条深刻信息。

TDA 能在你完全看不见高维空间的情况下，把这个环"算"出来。它给出的不是又一个聚类标签，而是一句话：你的数据里有一个洞，它在这个尺度上诞生、在那个尺度上消失。这是一种别的方法很难提供的、关于全局结构的定性洞察。

先破三个常见误解

误解一：TDA 不过是又一种聚类或降维。 聚类回答"哪些点该归为一组"，降维（如 PCA、t-SNE）回答"怎么把高维点压到二三维好画图"。TDA 回答的是另一类问题：这团数据作为一个整体，有几个连通块、几个环、几个空腔？它量化的是全局的、坐标无关的形状，而不是给点贴标签或找投影。它和聚类、降维是互补关系，不是替代关系——很多分析流程会先降维、再做 TDA。

误解二：TDA 就等于持续同调。 持续同调是 TDA 最有名的工具，但不是全部。另一条同样重要的主线是 Mapper——它不输出条形码，而是把高维数据压成一张能用眼睛看的网络图（下文详述）。学界里说"TDA"，通常同时指这两套方法。

误解三：条形码里长条一定是真信号、短条一定是噪声。 这是个好用的经验法则，但它不是定理。稳定性定理保证的只是"数据小扰动 ⇒\Rightarrow 持续图小变化"，并没有断言"越长越有意义"。一个特征到底显不显著，严格来说要拿它和某个零模型（随机数据）做统计检验；有时短条也可能携带真实信息，有时长条不过是采样或度量带来的假象。

它从哪来：把代数拓扑变成能跑的算法

代数拓扑是 20 世纪数学的高峰之一，它用"同调群"（homology）这套代数机器来刻画空间的洞。第 0 维同调数（β0\beta_0，零阶 Betti 数）数的是连通分量个数；第 1 维（β1\beta_1）数的是一维的洞（环）；第 2 维（β2\beta_2）数的是包住空腔的二维壳。这套理论本来研究的是光滑、理想化的几何对象。把它搬到一堆离散的数据点上，有一个根本障碍：孤立的点之间没有"洞"可言。 一团点本身的拓扑是平凡的——就是一堆零维的点。要让"洞"显现出来，必须先把点"连起来"，搭成一个有面、有体的结构，这种结构叫单纯复形（simplicial complex）。

最常用的造法是 Vietoris-Rips 复形（这一构造可追溯到 Leopold Vietoris 在 1927 年把同调论从单纯复形推广到度量空间的工作；1980 年代 Eliyahu Rips 又独立用它研究双曲群，"Vietoris–Rips"这个合称由 Jean-Claude Hausmann 在 1995 年定名）：给定一个尺度参数 ε\varepsilon，只要两点距离小于 ε\varepsilon 就连一条边，三点两两相连就填一个三角形，以此类推。问题随之而来：ε\varepsilon 该取多大？取小了，点各自为政，什么都连不上；取大了，所有点连成一坨实心团，洞又被填死了。任何单一的 ε\varepsilon 都可能给出误导的答案。

这正是 TDA 的奠基者们（Herbert Edelsbrunner、Gunnar Carlsson、Afra Zomorodian 等人在 2000 年前后）的关键洞见：不要选一个 ε\varepsilon，要看遍所有 ε\varepsilon。

核心机制：持续同调

持续同调（persistent homology）是 TDA 的心脏。它的做法是：让尺度 ε\varepsilon 从 $0$ 连续增长到很大，观察各种拓扑特征（连通分量、环、空腔）在这个过程中什么时候诞生、什么时候死亡。

想象 ε\varepsilon 从零开始变大，三类事情会先后发生：

  • 一开始每个点都是独立的连通分量。随着 ε\varepsilon 增大，邻近的点逐渐连成一片，连通分量一个个"死去"（被合并到一起）。
  • 在某个中间尺度，几个点恰好围成一圈而中间还没被填满，一个一维的"环"就诞生了。当 ε\varepsilon 再大一点把环的内部填实，这个环又死亡了。
  • 真正反映数据本质结构的特征会"活得很久"——出生与死亡的尺度相差很大。而由噪声造成的小洞往往一闪即逝，出生不久就死亡。

这个"活多久"的长度，就是判断一个拓扑特征是真信号还是噪声的标尺。它把"该选哪个 ε\varepsilon"这个无解的难题，转化成了"哪些特征在所有 ε\varepsilon 下都顽强存在"这个有解的问题。每个拓扑特征都可以记成一个区间 [birth,death][\text{birth}, \text{death}]。把所有特征的这些区间画成一排横线，就是条形码（barcode）；或者把每个特征当作平面上的一个点 (birth,death)(\text{birth}, \text{death})，就得到持续图（persistence diagram）。长条/远离对角线的点 = 显著的结构，短条/贴近对角线的点 = 噪声。这给了"数据的洞有多重要"一个可量化的回答。

底层的计算依赖一个优雅的代数事实。随着 ε\varepsilon 增大，复形是单调嵌套的（这个嵌套序列叫"过滤"，filtration），由此得到一族同调群之间的线性映射。

结构定理保证，这族向量空间可以唯一地分解成一组"区间模块"——每个区间恰好对应一个有生有死的拓扑特征。这正是条形码良定义且唯一的根本原因：它不是某种主观可视化，而是一个数学上唯一确定的对象。Zomorodian 与 Carlsson 在 2005 年点明，整条过滤的持续同调其实就是多项式环 $k[t]$ 上的一个分次模，分解的唯一性是这类模结构定理的直接推论；更一般的"逐点有限维"持续模何以总能拆成区间模块，则由 Crawley-Boevey 在 2015 年严格证明。

计算上，求持续同调归结为对一个边界矩阵做特殊的高斯消元。最坏情况复杂度是立方级，但实践中有 Ripser、GUDHI 等非常快的优化实现，能在普通笔记本上处理上万个点。

另一条主线：Mapper 与一项真实发现

持续同调把形状压成条形码，Mapper（Singh、Mémoli、Carlsson，2007）则把形状压成一张图。它的步骤朴素而有效：先选一个"透镜"函数把每个数据点映到低维（比如点的密度、某个主成分，或到某中心的距离），把这段低维范围切成一截截互相重叠的区间；在每一截对应的数据子集里各做一次聚类，每个局部簇画成一个节点；两个节点若共享数据点就连一条边。最后得到的网络图，往往能把数据里的"分叉""环路""孤岛"一眼呈现出来。

Mapper 最广为人知的战绩来自乳腺癌。Nicolau、Levine 与 Carlsson 在 2011 年的 PNAS 论文里，用基于 Mapper 的"疾病进展分析"（Progression Analysis of Disease）重新分析既有的基因表达数据，发现了一个被传统聚类完全淹没的雌激素受体阳性（ER+）亚群：它高表达 c-MYB、低表达固有炎症基因，而在他们分析的队列里，这批病人存活率达到 100%、无一例转移。关键在于，这个亚群在标准聚类下"不可见"——是数据形状里一条不起眼的"枝杈"把它暴露出来的。Carlsson 随后把这套方法商业化，于 2008 年联合创立了 Ayasdi 公司。

但要诚实指出：Mapper 的输出依赖一连串人为选择——透镜函数、区间数目、重叠比例、聚类算法——换一组参数，图可能大变。它是强大的探索与假设生成工具，给出的却不是唯一确定的答案，这一点和持续同调那个数学上唯一的条形码截然不同。

微妙之处：稳定性、维数灾难与它不能做什么

TDA 之所以被信任，关键在一条稳定性定理（Cohen-Steiner、Edelsbrunner、Harer，2007）：如果你的数据被噪声轻微扰动，那么持续图的变化也是轻微的——两者之间的"瓶颈距离"（bottleneck distance）不超过数据扰动的大小。这条定理是 TDA 区别于许多启发式方法的根本：它给出了"小扰动 ⇒\Rightarrow 小变化"的严格保证，让"长条形 = 真信号"这个判断有了数学根基。

但 TDA 远非万能，几个限制必须诚实说明。

第一，计算代价。 Vietoris-Rips 复形的单纯形数量随维数爆炸式增长——$n$ 个点的 $k$-维单纯形可能有 (nk+1)\binom{n}{k+1} 个。直接计算高维持续同调在大数据上往往不可行，需要各种近似与稀疏化技巧（如 witness complex、Sparse Rips）。

第二，度量依赖。 持续同调完全取决于你用什么距离来定义"邻近"。换一种度量，洞的结构可能完全不同。"数据的形状"听起来客观，实则隐含了对距离的选择，这个选择本身可能引入偏见。

第三，它告诉你"有什么"，但不直接告诉你"为什么"。 TDA 能可靠地检测出"这里有一个一维的环"，但这个环对应什么实际机制，需要领域知识来解释。它是探索性工具，不是因果推断工具。

第四，与机器学习接轨并不顺滑。 持续图是平面上一堆点的集合，它天然不住在一个规整的向量空间里——两个图之间只有"瓶颈距离"这类度量，没有现成的加法和平均，直接喂给神经网络或核方法并不方便。为此人们发明了各种"向量化"手段，把持续图编码成定长特征，最有代表性的是 Bubenik 在 2015 年提出的持续景观（persistence landscape）和稍后的持续图像（persistence image）。但这层转换会丢信息，怎么转、丢掉什么，至今没有公认的最优解。

第五，只认拓扑、不认几何。 只要洞的数目不变，洞被拉长、压扁、挪位，持续同调都"无动于衷"，而这些几何细节在很多实际问题里恰恰要紧。这是持续同调抽象层级太高带来的固有局限，也是近年"持续谱方法"（如持续 Laplacian）等扩展试图补上的短板。

跨域连接

  • 宇宙大尺度结构：纤维、墙与空洞分别是不同维数的拓扑特征，按尺度追踪它们的生灭就不必先选定一个平滑半径。推论：换平滑核会改写结构目录，而按持续性给出的结果只在噪声量级内变动——稳定性可直接对比，这也是它能在不同巡天之间迁移的原因。
  • 神经系统：把互相全连的神经元小团当成高维单纯形，团与团围出的空腔刻画了信息不能被局部短路的方式。推论：保持边数的随机重连会抹掉这些高维结构，因此它们不是连接密度的副产品；判据就是重连前后高维单纯形计数的落差。
  • 计算材料设计：多孔材料里贯通的孔道是一维环，封闭的孔是二维空腔，这两个计数区分"通"与"堵"，而孔隙率不区分。推论：孔隙率相同的两个样品可以有完全不同的贝蒂数，输运性质跟后者走——把孔隙率当输运指标会系统性误判。
  • 统计建模：持续图是平面上一堆点，没有现成的加法与平均，做显著性判断必须先选零模型再定距离。推论是："长条一定是真信号"并不是定理——不给零模型，同一批噪声也能产出长条。
  • 同调与上同调：把尺度当成过滤参数，同调群随之嵌套，结构定理保证分解成区间的方式唯一。推论：条形码不是可视化风格的选择，它由数据与所选距离唯一决定——换实现不该换结论，换度量才会。

参考文献

  • Edelsbrunner, H., Letscher, D. & Zomorodian, A. (2002). "Topological Persistence and Simplification." Discrete & Computational Geometry, 28(4), 511–533. DOI: 10.1007/s00454-002-2885-2
  • Carlsson, G. (2009). "Topology and Data." Bulletin of the American Mathematical Society, 46(2), 255–308. DOI: 10.1090/S0273-0979-09-01249-X
  • Cohen-Steiner, D., Edelsbrunner, H. & Harer, J. (2007). "Stability of Persistence Diagrams." Discrete & Computational Geometry, 37(1), 103–120. DOI: 10.1007/s00454-006-1276-5
  • Ghrist, R. (2008). "Barcodes: The Persistent Topology of Data." Bulletin of the American Mathematical Society, 45(1), 61–75. DOI: 10.1090/S0273-0979-07-01191-3
  • Zomorodian, A. & Carlsson, G. (2005). "Computing Persistent Homology." Discrete & Computational Geometry, 33(2), 249–274. DOI: 10.1007/s00454-004-1146-y
  • Crawley-Boevey, W. (2015). "Decomposition of pointwise finite-dimensional persistence modules." Journal of Algebra and Its Applications, 14(5), 1550066. DOI: 10.1142/S0219498815500668
  • Singh, G., Mémoli, F. & Carlsson, G. (2007). "Topological Methods for the Analysis of High Dimensional Data Sets and 3D Object Recognition." In Eurographics Symposium on Point-Based Graphics, 91–100.（Mapper 算法原始论文）
  • Nicolau, M., Levine, A. J. & Carlsson, G. (2011). "Topology based data analysis identifies a subgroup of breast cancers with a unique mutational profile and excellent survival." Proceedings of the National Academy of Sciences, 108(17), 7265–7270. DOI: 10.1073/pnas.1102826108
  • Bubenik, P. (2015). "Statistical Topological Data Analysis using Persistence Landscapes." Journal of Machine Learning Research, 16, 77–102.
  • Reimann, M. W. et al. (2017). "Cliques of Neurons Bound into Cavities Provide a Missing Link between Structure and Function." Frontiers in Computational Neuroscience, 11, 48. DOI: 10.3389/fncom.2017.00048
  • Sousbie, T. (2011). "The persistent cosmic web and its filamentary structure – I. Theory and implementation." Monthly Notices of the Royal Astronomical Society, 414(1), 350–383. DOI: 10.1111/j.1365-2966.2011.18394.x

延伸阅读

  • Edelsbrunner, H. & Harer, J. (2010). Computational Topology: An Introduction. American Mathematical Society.（领域标准入门教材）
  • Otter, N. et al. (2017). "A Roadmap for the Computation of Persistent Homology." EPJ Data Science, 6(1), 17.（计算方法与软件的实用综述）