动态贝叶斯网络聚类的稳定距离持续同调

动态贝叶斯网络聚类的稳定距离持续同调

A Stable Distance Persistence Homology for Dynamic Bayesian

Network Clustering

https://arxiv.org/pdf/2605.11226

研究背景与现有方法痛点

1. 动态贝叶斯网络（DBN）的特性DBN通过固定底层有向无环图（DAG）结构、仅随时间变化条件概率表（CPT）的方式，对概率依赖关系随时间演化的复杂系统进行建模。其核心价值在于用少量随机变量间的概率依赖捕捉系统行为。
2. 传统推断与聚类方法的局限
   • 局部视角限制：标准推断（如滤波）聚焦局部条件分布，难以捕捉变量间依赖关系在大尺度上的组织与演化模式。
   • 计算瓶颈：信念状态规模随变量数呈指数增长，精确推断在一般情况下不可行（intractable）。
   • 启发式缺陷：现有贝叶斯网络聚类算法多为启发式方法，未充分利用底层DAG的固有拓扑结构，缺乏追踪聚类随时间演化或跨网络定量比较的原则性框架。

摘要

动态贝叶斯网络（DBNs）是一种广泛用于对概率结构随时间演化的系统进行建模的框架。标准推断方法主要关注局部条件分布，可能会忽略变量间依赖关系随时间组织与演变的更大尺度模式。针对这一问题，我们引入了一种拓扑学方法。我们将每个DBN关联到一个时变图，称为动态贝叶斯图（DBG），具体做法是为每条边分配一个强度值，该值衡量其在不同父节点配置下条件依赖的变化程度，并保留强度超过选定阈值的边。我们证明该构造方法契合Kim和Mémoli[3]提出的动态图框架，从而得以应用拓扑数据分析工具。对DBG应用持续同调可生成一个条形码，它记录了强依赖变量构成的连通组随时间的合并与消失过程。我们证明了该条形码具有稳定性：DBN条件概率表中的微小扰动仅会导致所得条形码发生微小变化。由此，我们得到了一种具有理论依据且抗噪声的总结，用于刻画动态贝叶斯网络中依赖结构的演化过程。

引言

概率图模型的一大效用在于能够利用随机变量之间的一组少量概率依赖关系来捕捉看似复杂系统的行为。动态贝叶斯网络（DBNs）在时间维度上实现了这一点：它们通过对状态通过贝叶斯网络的连续副本进行演化的系统进行建模 [4]，其中条件概率表（CPTs）可能会从一个时间步变化到下一个时间步。它们已在计算生物学、神经科学、流行病学和工程学等多种领域找到了应用。DBNs 的一个关键结构特征是，其底层有向图是固定的（只有 CPT 值发生变化），然而正是这些变化导致了节点间依赖结构的演化。理解和追踪这些结构是 DBN 分析的核心。

DBN 上的结构

我们的方法弥补了这一点。我们利用稳定距离持续同调（SDPH）构建了一个形式化框架，旨在识别并追踪动态贝叶斯网络（DBN）中随时间变化的关键聚类结构。该框架植根于 Kim 和 Mémoli [3] 的拓扑数据分析（TDA）机制，该机制引入了动态图（dynamic graphs）和形态图（formigrams），用于追踪连通分量（在此处即读作聚类）在图随时间连续演化过程中的诞生、合并与解散。将之字形持续同调（zigzag persistence）应用于形态图会产生一个条形码（barcode），这是一个区间多重集，其长度记录了各个聚类事件的持久性。SDPH 方法特别适用于 DBN，因为它读取的是编码在有向无环图（DAG）中的演化条件独立结构，而不是将网络视为需按外部标准进行聚类的原始数据。

主要结果

将 [3] 的框架应用于 DBN 的核心障碍在于结构层面：DBN 带有有向边并在离散时间上运行，而 [3] 中的动态图是无向的、连续时间的对象，且需满足四个公理：自环（self-loops）、温和性（tameness）、区间寿命（interval lifespan），以及最为微妙的可比性（comparability）。我们的主要贡献是构建了一个动态贝叶斯图（Dynamic Bayesian Graph, DBG），这是一种从 DBN 规范导出的动态图，解决了这种不匹配问题（第 4 节）。

组织结构

第 1 节总结了 [3] 中的相关背景：动态图、形态图、之字形持续同调和稳定性。第 2 节回顾了遵循 [4] 的贝叶斯网络和动态贝叶斯网络的标准定义。第 3 节介绍了遵循 [6] 的边强度函数。第 4 节展示了 DBG 的构建和主要结果。第 5-7 节将该构建置于现有贝叶斯网络（BN）聚类方法的背景下，发展了聚类解释，并讨论了边强度函数的设计灵活性。

第 1 节：稳定距离持续同调

以下部分总结了由 Kim 和 Mémoli [3] 开发的框架；除非另有说明，本节中的所有定义和结果均引自该参考文献。

1.1 介绍 SDPH

此外，[3] 提出了形态图（formigram）的概念，用于描述动态图（DG）的聚类。该形态图用于获得具有鲁棒代数解释的 DG 的持续条形码。

虽然利用这种之字形持续同调方法有许多不同的方式，但该算法成为 DBN 分析关键的途径有几种不同的方式：

(i) 动态图（DG）的之字形持续同调图的时间变化性质反映了其聚类特征随时间的推移过程。

(ii) 形态图有效地表示了 DG 中的出生和死亡事件。因此，由形态图表示的聚类特征可以表达具有无限寿命和有限寿命的点。

(iii) 在 DG 的聚类条形码与 DG 之间的实际距离之间建立了一种稳定性概念。这使得它们的结果对于数据分析的目的特别令人满意。

(iv) 聚类依赖于一个自规定的边强度函数，该函数可以为聚类条形码的整体解释增加丰富性和多样性。

给定一个动态图，完全获得一个持续条形码以及稳定性结果需要三个步骤。步骤 1 包括将动态图提升（lifting）为形态图。步骤 2 包括仔细地将形态图表示为之字形持续条形码。步骤 3 包括证明我们的之字形持续条形码的稳定性。

1.2 步骤 1：从动态图到形态图
1.2.1 动态图

。。。。。。。。。。。。。

原文链接：https://arxiv.org/pdf/2605.11226