Топологический анализ данных

TDA + Time Series

TDA и временные ряды

новинкаНовое или быстро растущее направление

Ряд вкладывается в фазовое пространство (Такенс), и топология полученного облака описывает динамику системы.

Ключевые тезисы

  • Периодическому режиму соответствует цикл — заметный класс H₁.
  • Изменение диаграмм персистентности сигнализирует о смене режима.
  • Применяется к ЭКГ, сейсмике, финансовым рядам и мониторингу оборудования.

Подробный разбор

2 подтем — раскройте любую, чтобы увидеть объяснение, формулы, примеры и интерактивные графики.

1

Вложение Такенса

Как превратить одномерный ряд в облако точек.

Обозначения
  • порог или задержка
  • объект: вектор признаков
Задержка и размерность вложения — два гиперпараметра

Теорема Такенса гарантирует: при подходящих и такое вложение сохраняет топологию аттрактора динамической системы. Периодический процесс превращается в замкнутую кривую — и немедленно это фиксирует.

  • выбирают по первому минимуму взаимной информации или первому нулю автокорреляции.
  • — методом ложных ближайших соседей.
  • Далее к облаку применяют обычный TDA-пайплайн и получают признаки окна.
времяyлагACF
ACF(1)0.76
ACF(12)0.55
стационарностьправдоподобна
Сначала посмотрите на ACF: пики на кратных лагах — та самая периодичность, которую TDA увидит как цикл
2

Обнаружение смены режима

Скользящее окно + расстояние между диаграммами.

  1. Нарезать ряд скользящими окнами.
  2. Для каждого окна построить вложение Такенса и диаграмму персистентности.
  3. Считать расстояние (bottleneck или Wasserstein) между соседними диаграммами.
  4. Всплеск расстояния = изменение топологии динамики = смена режима.
Пример

На данных ЭКГ такой пайплайн различает нормальный синусовый ритм и аритмию: в норме траектория даёт устойчивый цикл, при аритмии он распадается на несколько короткоживущих.

Связанные темы

Хаос и предел предсказуемости · Аномалии и выбросы · Топология данных

Anomaly detection94%

Поиск аномалий во времени · Временные ряды

Обнаружение точечных выбросов, сдвигов уровня и аномальных подпоследовательностей.

Topology basics90%

Основы топологии · Топологический анализ данных

Топология изучает свойства, сохраняющиеся при непрерывных деформациях: связность, число дыр, компактность.

Simplicial complexes90%

Симплициальные комплексы · Топологический анализ данных

Дискретная аппроксимация формы облака точек: точки, рёбра, треугольники и их многомерные аналоги.

Homology90%

Гомологии · Топологический анализ данных

Алгебраический аппарат, который считает дыры разных размерностей в топологическом пространстве.

Persistent Homology90%

Персистентные гомологии · Топологический анализ данных

Центральный метод TDA: вместо одного порога ε рассматривается вся фильтрация, и отслеживается, когда топологические особенности рождаются и умирают.

Persistence Diagrams90%

Диаграммы персистентности · Топологический анализ данных

Каждая топологическая особенность — точка (рождение, смерть) на плоскости. Компактная сводка формы данных.

Persistence Landscapes90%

Ландшафты персистентности · Топологический анализ данных

Превращение диаграммы в набор кусочно-линейных функций — то есть в элемент гильбертова пространства.

Betti Numbers90%

Числа Бетти · Топологический анализ данных

Ранги групп гомологий: β₀ — число компонент, β₁ — число независимых циклов, β₂ — число полостей.

Mapper90%

Алгоритм Mapper · Топологический анализ данных

Строит граф-скелет данных: проекция фильтрующей функцией, покрытие интервалами, локальная кластеризация и склейка.

Topological features90%

Топологические признаки · Топологический анализ данных

Векторизация топологии: энтропия персистентности, суммарная длина жизни, числа Бетти, persistence images.

TDA + Machine Learning90%

TDA и машинное обучение · Топологический анализ данных

Топологические признаки подаются в бустинг или нейросеть, либо топология встраивается прямо в функцию потерь.

Metric spaces90%

Метрические пространства · Топологический анализ данных

Множество с функцией расстояния. Любой TDA-пайплайн начинается с выбора метрики.

Logistic Map80%

Логистическое отображение · Динамические системы и фракталы

Простейшая формула, порождающая хаос: следующее значение равно r·x·(1−x). Модель роста популяции с ограниченным ресурсом.

Bifurcations80%

Бифуркации · Динамические системы и фракталы

Качественная перестройка поведения системы при плавном изменении параметра: одно равновесие сменяется двумя, цикл удваивает период.

Feigenbaum Constant80%

Постоянная Фейгенбаума · Динамические системы и фракталы

Универсальное число δ ≈ 4.669, описывающее скорость каскада удвоений периода. Одинаково для огромного класса совершенно разных систем.

Chaos80%

Детерминированный хаос · Динамические системы и фракталы

Полностью детерминированная система, поведение которой невозможно предсказать надолго из-за чувствительности к начальным условиям.

Lyapunov Exponent80%

Показатель Ляпунова · Динамические системы и фракталы

Мера скорости разбегания близких траекторий. Положительное значение — признак хаоса.

Attractors80%

Аттракторы · Динамические системы и фракталы

Множество, к которому стремятся траектории системы: точка, цикл, тор или странный аттрактор фрактальной структуры.

Takens' Theorem80%

Теорема Такенса · Динамические системы и фракталы

Мост между рядом и динамикой: по одному наблюдаемому сигналу можно восстановить топологию аттрактора системы.

Stationarity80%

Стационарность · Временные ряды

Постоянство статистических свойств ряда во времени — предпосылка большинства классических моделей.

Outliers70%

Выбросы · Данные

Наблюдения, резко отличающиеся от остальных. Они бывают ошибками измерения, а бывают самым ценным сигналом.

Anomaly Detection70%

Поиск аномалий · Обучение без учителя

Выделение объектов, не похожих на основную массу данных, при отсутствии меток.

Autoencoders70%

Автоэнкодеры · Глубокое обучение

Сеть учится восстанавливать вход через узкое место, получая сжатое представление.

Density Estimation70%

Оценка плотности · Обучение без учителя

Восстановление распределения данных: где объекты встречаются часто, а где почти никогда.