動態貝葉斯網絡聚類的穩定距離持續同調

動態貝葉斯網絡聚類的穩定距離持續同調

A Stable Distance Persistence Homology for Dynamic Bayesian

Network Clustering

https://arxiv.org/pdf/2605.11226

研究背景與現有方法痛點

1. 動態貝葉斯網絡（DBN）的特性DBN通過固定底層有向無環圖（DAG）結構、僅隨時間變化條件概率表（CPT）的方式，對概率依賴關系隨時間演化的復雜系統進行建模。其核心價值在于用少量隨機變量間的概率依賴捕捉系統行為。
2. 傳統推斷與聚類方法的局限
   • 局部視角限制：標準推斷（如濾波）聚焦局部條件分布，難以捕捉變量間依賴關系在大尺度上的組織與演化模式。
   • 計算瓶頸：信念狀態規模隨變量數呈指數增長，精確推斷在一般情況下不可行（intractable）。
   • 啟發式缺陷：現有貝葉斯網絡聚類算法多為啟發式方法，未充分利用底層DAG的固有拓撲結構，缺乏追蹤聚類隨時間演化或跨網絡定量比較的原則性框架。

摘要

動態貝葉斯網絡（DBNs）是一種廣泛用于對概率結構隨時間演化的系統進行建模的框架。標準推斷方法主要關注局部條件分布，可能會忽略變量間依賴關系隨時間組織與演變的更大尺度模式。針對這一問題，我們引入了一種拓撲學方法。我們將每個DBN關聯到一個時變圖，稱為動態貝葉斯圖（DBG），具體做法是為每條邊分配一個強度值，該值衡量其在不同父節點配置下條件依賴的變化程度，并保留強度超過選定閾值的邊。我們證明該構造方法契合Kim和Mémoli[3]提出的動態圖框架，從而得以應用拓撲數據分析工具。對DBG應用持續同調可生成一個條形碼，它記錄了強依賴變量構成的連通組隨時間的合并與消失過程。我們證明了該條形碼具有穩定性：DBN條件概率表中的微小擾動僅會導致所得條形碼發生微小變化。由此，我們得到了一種具有理論依據且抗噪聲的總結，用于刻畫動態貝葉斯網絡中依賴結構的演化過程。

引言

概率圖模型的一大效用在于能夠利用隨機變量之間的一組少量概率依賴關系來捕捉看似復雜系統的行為。動態貝葉斯網絡（DBNs）在時間維度上實現了這一點：它們通過對狀態通過貝葉斯網絡的連續副本進行演化的系統進行建模 [4]，其中條件概率表（CPTs）可能會從一個時間步變化到下一個時間步。它們已在計算生物學、神經科學、流行病學和工程學等多種領域找到了應用。DBNs 的一個關鍵結構特征是，其底層有向圖是固定的（只有 CPT 值發生變化），然而正是這些變化導致了節點間依賴結構的演化。理解和追蹤這些結構是 DBN 分析的核心。

DBN 上的結構

我們的方法彌補了這一點。我們利用穩定距離持續同調（SDPH）構建了一個形式化框架，旨在識別并追蹤動態貝葉斯網絡（DBN）中隨時間變化的關鍵聚類結構。該框架植根于 Kim 和 Mémoli [3] 的拓撲數據分析（TDA）機制，該機制引入了動態圖（dynamic graphs）和形態圖（formigrams），用于追蹤連通分量（在此處即讀作聚類）在圖隨時間連續演化過程中的誕生、合并與解散。將之字形持續同調（zigzag persistence）應用于形態圖會產生一個條形碼（barcode），這是一個區間多重集，其長度記錄了各個聚類事件的持久性。SDPH 方法特別適用于 DBN，因為它讀取的是編碼在有向無環圖（DAG）中的演化條件獨立結構，而不是將網絡視為需按外部標準進行聚類的原始數據。

主要結果

將 [3] 的框架應用于 DBN 的核心障礙在于結構層面：DBN 帶有有向邊并在離散時間上運行，而 [3] 中的動態圖是無向的、連續時間的對象，且需滿足四個公理：自環（self-loops）、溫和性（tameness）、區間壽命（interval lifespan），以及最為微妙的可比性（comparability）。我們的主要貢獻是構建了一個動態貝葉斯圖（Dynamic Bayesian Graph, DBG），這是一種從 DBN 規范導出的動態圖，解決了這種不匹配問題（第 4 節）。

組織結構

第 1 節總結了 [3] 中的相關背景：動態圖、形態圖、之字形持續同調和穩定性。第 2 節回顧了遵循 [4] 的貝葉斯網絡和動態貝葉斯網絡的標準定義。第 3 節介紹了遵循 [6] 的邊強度函數。第 4 節展示了 DBG 的構建和主要結果。第 5-7 節將該構建置于現有貝葉斯網絡（BN）聚類方法的背景下，發展了聚類解釋，并討論了邊強度函數的設計靈活性。

第 1 節：穩定距離持續同調

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

1.1 介紹 SDPH

此外，[3] 提出了形態圖（formigram）的概念，用于描述動態圖（DG）的聚類。該形態圖用于獲得具有魯棒代數解釋的 DG 的持續條形碼。

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

(i) 動態圖（DG）的之字形持續同調圖的時間變化性質反映了其聚類特征隨時間的推移過程。

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

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

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

給定一個動態圖，完全獲得一個持續條形碼以及穩定性結果需要三個步驟。步驟 1 包括將動態圖提升（lifting）為形態圖。步驟 2 包括仔細地將形態圖表示為之字形持續條形碼。步驟 3 包括證明我們的之字形持續條形碼的穩定性。

1.2 步驟 1：從動態圖到形態圖
1.2.1 動態圖

。。。。。。。。。。。。。

原文鏈接：https://arxiv.org/pdf/2605.11226