動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)聚類的穩(wěn)定距離持續(xù)同調(diào)

A Stable Distance Persistence Homology for Dynamic Bayesian

Network Clustering

https://arxiv.org/pdf/2605.11226

研究背景與現(xiàn)有方法痛點(diǎn)

1. 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBN）的特性DBN通過固定底層有向無環(huán)圖（DAG）結(jié)構(gòu)、僅隨時(shí)間變化條件概率表（CPT）的方式，對概率依賴關(guān)系隨時(shí)間演化的復(fù)雜系統(tǒng)進(jìn)行建模。其核心價(jià)值在于用少量隨機(jī)變量間的概率依賴捕捉系統(tǒng)行為。
2. 傳統(tǒng)推斷與聚類方法的局限
   • 局部視角限制：標(biāo)準(zhǔn)推斷（如濾波）聚焦局部條件分布，難以捕捉變量間依賴關(guān)系在大尺度上的組織與演化模式。
   • 計(jì)算瓶頸：信念狀態(tài)規(guī)模隨變量數(shù)呈指數(shù)增長，精確推斷在一般情況下不可行（intractable）。
   • 啟發(fā)式缺陷：現(xiàn)有貝葉斯網(wǎng)絡(luò)聚類算法多為啟發(fā)式方法，未充分利用底層DAG的固有拓?fù)浣Y(jié)構(gòu)，缺乏追蹤聚類隨時(shí)間演化或跨網(wǎng)絡(luò)定量比較的原則性框架。

摘要

動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBNs）是一種廣泛用于對概率結(jié)構(gòu)隨時(shí)間演化的系統(tǒng)進(jìn)行建模的框架。標(biāo)準(zhǔn)推斷方法主要關(guān)注局部條件分布，可能會(huì)忽略變量間依賴關(guān)系隨時(shí)間組織與演變的更大尺度模式。針對這一問題，我們引入了一種拓?fù)鋵W(xué)方法。我們將每個(gè)DBN關(guān)聯(lián)到一個(gè)時(shí)變圖，稱為動(dòng)態(tài)貝葉斯圖（DBG），具體做法是為每條邊分配一個(gè)強(qiáng)度值，該值衡量其在不同父節(jié)點(diǎn)配置下條件依賴的變化程度，并保留強(qiáng)度超過選定閾值的邊。我們證明該構(gòu)造方法契合Kim和Mémoli[3]提出的動(dòng)態(tài)圖框架，從而得以應(yīng)用拓?fù)鋽?shù)據(jù)分析工具。對DBG應(yīng)用持續(xù)同調(diào)可生成一個(gè)條形碼，它記錄了強(qiáng)依賴變量構(gòu)成的連通組隨時(shí)間的合并與消失過程。我們證明了該條形碼具有穩(wěn)定性：DBN條件概率表中的微小擾動(dòng)僅會(huì)導(dǎo)致所得條形碼發(fā)生微小變化。由此，我們得到了一種具有理論依據(jù)且抗噪聲的總結(jié)，用于刻畫動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)中依賴結(jié)構(gòu)的演化過程。

引言

概率圖模型的一大效用在于能夠利用隨機(jī)變量之間的一組少量概率依賴關(guān)系來捕捉看似復(fù)雜系統(tǒng)的行為。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBNs）在時(shí)間維度上實(shí)現(xiàn)了這一點(diǎn)：它們通過對狀態(tài)通過貝葉斯網(wǎng)絡(luò)的連續(xù)副本進(jìn)行演化的系統(tǒng)進(jìn)行建模 [4]，其中條件概率表（CPTs）可能會(huì)從一個(gè)時(shí)間步變化到下一個(gè)時(shí)間步。它們已在計(jì)算生物學(xué)、神經(jīng)科學(xué)、流行病學(xué)和工程學(xué)等多種領(lǐng)域找到了應(yīng)用。DBNs 的一個(gè)關(guān)鍵結(jié)構(gòu)特征是，其底層有向圖是固定的（只有 CPT 值發(fā)生變化），然而正是這些變化導(dǎo)致了節(jié)點(diǎn)間依賴結(jié)構(gòu)的演化。理解和追蹤這些結(jié)構(gòu)是 DBN 分析的核心。

DBN 上的結(jié)構(gòu)

我們的方法彌補(bǔ)了這一點(diǎn)。我們利用穩(wěn)定距離持續(xù)同調(diào)（SDPH）構(gòu)建了一個(gè)形式化框架，旨在識別并追蹤動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBN）中隨時(shí)間變化的關(guān)鍵聚類結(jié)構(gòu)。該框架植根于 Kim 和 Mémoli [3] 的拓?fù)鋽?shù)據(jù)分析（TDA）機(jī)制，該機(jī)制引入了動(dòng)態(tài)圖（dynamic graphs）和形態(tài)圖（formigrams），用于追蹤連通分量（在此處即讀作聚類）在圖隨時(shí)間連續(xù)演化過程中的誕生、合并與解散。將之字形持續(xù)同調(diào)（zigzag persistence）應(yīng)用于形態(tài)圖會(huì)產(chǎn)生一個(gè)條形碼（barcode），這是一個(gè)區(qū)間多重集，其長度記錄了各個(gè)聚類事件的持久性。SDPH 方法特別適用于 DBN，因?yàn)樗x取的是編碼在有向無環(huán)圖（DAG）中的演化條件獨(dú)立結(jié)構(gòu)，而不是將網(wǎng)絡(luò)視為需按外部標(biāo)準(zhǔn)進(jìn)行聚類的原始數(shù)據(jù)。

主要結(jié)果

將 [3] 的框架應(yīng)用于 DBN 的核心障礙在于結(jié)構(gòu)層面：DBN 帶有有向邊并在離散時(shí)間上運(yùn)行，而 [3] 中的動(dòng)態(tài)圖是無向的、連續(xù)時(shí)間的對象，且需滿足四個(gè)公理：自環(huán)（self-loops）、溫和性（tameness）、區(qū)間壽命（interval lifespan），以及最為微妙的可比性（comparability）。我們的主要貢獻(xiàn)是構(gòu)建了一個(gè)動(dòng)態(tài)貝葉斯圖（Dynamic Bayesian Graph, DBG），這是一種從 DBN 規(guī)范導(dǎo)出的動(dòng)態(tài)圖，解決了這種不匹配問題（第 4 節(jié)）。

組織結(jié)構(gòu)

第 1 節(jié)總結(jié)了 [3] 中的相關(guān)背景：動(dòng)態(tài)圖、形態(tài)圖、之字形持續(xù)同調(diào)和穩(wěn)定性。第 2 節(jié)回顧了遵循 [4] 的貝葉斯網(wǎng)絡(luò)和動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的標(biāo)準(zhǔn)定義。第 3 節(jié)介紹了遵循 [6] 的邊強(qiáng)度函數(shù)。第 4 節(jié)展示了 DBG 的構(gòu)建和主要結(jié)果。第 5-7 節(jié)將該構(gòu)建置于現(xiàn)有貝葉斯網(wǎng)絡(luò)（BN）聚類方法的背景下，發(fā)展了聚類解釋，并討論了邊強(qiáng)度函數(shù)的設(shè)計(jì)靈活性。

第 1 節(jié)：穩(wěn)定距離持續(xù)同調(diào)

以下部分總結(jié)了由 Kim 和 Mémoli [3] 開發(fā)的框架；除非另有說明，本節(jié)中的所有定義和結(jié)果均引自該參考文獻(xiàn)。

1.1 介紹 SDPH

此外，[3] 提出了形態(tài)圖（formigram）的概念，用于描述動(dòng)態(tài)圖（DG）的聚類。該形態(tài)圖用于獲得具有魯棒代數(shù)解釋的 DG 的持續(xù)條形碼。

雖然利用這種之字形持續(xù)同調(diào)方法有許多不同的方式，但該算法成為 DBN 分析關(guān)鍵的途徑有幾種不同的方式：

(i) 動(dòng)態(tài)圖（DG）的之字形持續(xù)同調(diào)圖的時(shí)間變化性質(zhì)反映了其聚類特征隨時(shí)間的推移過程。

(ii) 形態(tài)圖有效地表示了 DG 中的出生和死亡事件。因此，由形態(tài)圖表示的聚類特征可以表達(dá)具有無限壽命和有限壽命的點(diǎn)。

(iii) 在 DG 的聚類條形碼與 DG 之間的實(shí)際距離之間建立了一種穩(wěn)定性概念。這使得它們的結(jié)果對于數(shù)據(jù)分析的目的特別令人滿意。

(iv) 聚類依賴于一個(gè)自規(guī)定的邊強(qiáng)度函數(shù)，該函數(shù)可以為聚類條形碼的整體解釋增加豐富性和多樣性。

給定一個(gè)動(dòng)態(tài)圖，完全獲得一個(gè)持續(xù)條形碼以及穩(wěn)定性結(jié)果需要三個(gè)步驟。步驟 1 包括將動(dòng)態(tài)圖提升（lifting）為形態(tài)圖。步驟 2 包括仔細(xì)地將形態(tài)圖表示為之字形持續(xù)條形碼。步驟 3 包括證明我們的之字形持續(xù)條形碼的穩(wěn)定性。

1.2 步驟 1：從動(dòng)態(tài)圖到形態(tài)圖
1.2.1 動(dòng)態(tài)圖

。。。。。。。。。。。。。

原文鏈接：https://arxiv.org/pdf/2605.11226