拓扑数据分析与持续同调入门

思想

很多网络分析需要先选一个阈值把加权网络变成二值网络，而结论常常随阈值改变（见阈值、加权与稀疏化）。拓扑数据分析（topological data analysis, TDA；Carlsson，2009）换了一个角度：不选单一阈值，而是记录拓扑特征在全部阈值上的出现与消失。

直观理解：持续时间很短的特征通常是噪声，持续时间长的特征反映数据的稳健结构。$\beta_0$ 的条形码等价于单链接层次聚类的树状图；$\beta_1$ 则捕捉“环”——在网络中表示一组节点两两相连成圈、但内部缺少把它填满的三角形。

算例：环状几何网络

把 16 个节点等距排在圆周上，边权随圆周距离衰减。按边权从大到小加入边：开始时只有相邻节点相连，很快形成一个绕圆周的大环（$\beta_1=1$），环内部缺少跨越圆周的边，所以这个环在一个较宽的密度区间内持续存在；当密度足够大、跨越圆周的边和三角形填满环时，$\beta_1$ 回到 0。把边权随机打乱后，$\beta_1$ 会在较低密度出现多个短暂的环，而不是一个持续的大环。代码示例画出了两者的贝蒂曲线。

在神经科学中的应用

• Giusti 等（2015）分析大鼠海马神经元活动的相关矩阵，按相关强度排序构造团复形过滤，提出“团拓扑”（clique topology）方法：它只依赖相关值的排序，因此对单调非线性变换不变；用这种方法，仅凭神经活动本身、不借助外部刺激或感受野信息，就检测到了相关结构中的几何组织。
• Petri 等（2014）提出“同调骨架”（homological scaffold），把持续的一维环投影回边上，用于比较功能连接网络在不同状态（安慰剂与裸盖菇素）下的拓扑差异。
• Sizemore 等（2018）在人脑结构连接组中寻找最大团和持续同调意义下的“空腔”，讨论它们在脑区间信息处理中的可能角色。