24 votos

Homología persistente de campos gaussianos en el espacio euclidiano

Si genera puntos en $\mathbb R^n$ a través de un proceso que respete una distribución normal gaussiana, y luego calcular la homología persistente / códigos de barras, a mi modo de ver parece ocurrir algo bastante regular, con los códigos de barras tendiendo hacia algo parecido a una forma de "ala", gorda en las dimensiones inferiores, adelgazándose hacia la dimensión $n$ .

¿Alguien ha demostrado algún teorema que describa la "forma" asintótica de los códigos de barras?

Lo ideal sería disponer de una prueba para poder ver algunos códigos de barras y decir "eso es típico de una distribución normal gaussiana".

Lo más parecido que he podido encontrar son experimentos y resultados sobre la característica de Euler esperada de la homología persistente, en las dos referencias siguientes (enlaces arXiv): Homología persistente para campos aleatorios y complejos , Integración de Euler de campos aleatorios gaussianos y homología persistente .

Edita:

He hecho un cálculo muy aproximado para intentar adivinar cómo debería ser la distribución de los códigos de barras. Así que hice una estimación muy aproximada basada en una distribución de puntos que es aproximadamente "localmente cúbica" y que respeta aproximadamente una distribución normal.

La densidad viene dada por:

$$\mu = N e^{-r^2}$$

donde $r$ es la distancia desde el origen. Entonces, si $\epsilon$ es el parámetro de la homología persistente, resulta que $H_0$ tiene un rango aproximado de

$$N \int_{\sqrt{\ln(N\epsilon^{1/n})}}^\infty r^{n-1}e^{-r^2} dr$$

et $H_k$ para $k \in \{1,2,\cdots,n-1\}$ tiene un rango aproximado de

$$ {n \choose k+1}\frac{(\sqrt{\ln(N\epsilon^{1/n}/\sqrt{k}))}^{n-2}}{4\sqrt{k}\epsilon^{1/n}} $$

Se trata de estimaciones bastante aproximadas y en ningún caso rigurosas. Pero si algo así es realmente cierto parece estar diciendo que para $N$ grande y $n \geq 3$ El $H_0$ tiende a cierta asíntota (que depende de $\epsilon$ ), y $H_1, \cdots, H_{n-1}$ no son triviales pero sí pequeñas. Así que la mayoría de los puntos de la distribución se encuentran en un "agujero negro" de homología gigante en el centro y la homología persitente ve la fina corteza alrededor del exterior.

Me gustaría saber si la gente ha hecho otras estimaciones similares (o mejores) y si han obtenido resultados parecidos.

10voto

Matthew Read Puntos 35808

Adler, Bobrowski y Weinberber's "Crujido: La persistente homología del ruido" es una respuesta a mi pregunta. Aún no la he leído con detenimiento, pero parece confirmar la conjetura de la pregunta y dar respuesta también a otras distribuciones.

Aunque este artículo no se centra directamente en mi pregunta, da una respuesta más cuantitativa a una cuestión cercana, la de la longitud del código de barras más grande para ciertos tipos de nubes de puntos aleatorias. Ciclos máximamente persistentes en complejos geométricos aleatorios.

8voto

Bill Puntos 7824

Lo más parecido que puedo encontrar espontáneamente sería el trabajo de Matthew Kahle sobre topología aleatoria; http://arxiv.org/abs/0910.1649 parece que estaría directamente relacionado con su pregunta, y http://arxiv.org/abs/1009.4130 también parece relacionado.

5voto

Por si sirve de algo, Laura Balzano y yo hicimos algunos experimentos sobre esta cuestión precisa para nubes gaussianas en R^2, intentando comprender qué tipo de códigos de barras son raros bajo esta "hipótesis nula" de datos sin estructura topológica. Nos centramos en la pregunta "¿qué longitud tiene una barra en R^1 que constituya una barra sorprendentemente larga?" y realizamos algunas pruebas al respecto. Pero sin teoremas. Estoy de acuerdo con tu afirmación implícita de que se trata de una cuestión importante para la teoría.

http://www.math.wisc.edu/~ellenber/topoData_icassp-3.pdf

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by:

X