論文の概要: Topological Kalman Filtering on Cell Complexes

• arxiv url: http://arxiv.org/abs/2605.15955v2
• Date: Tue, 19 May 2026 18:41:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 14:55:44.209875
• Title: Topological Kalman Filtering on Cell Complexes
• Title（参考訳）: 細胞複合体のトポロジカルマン濾過
• Authors: Chengen Liu, Rohan Money, Ting Gao, Mohammad Sabbaqi, Baltasar Beferull-Lozano, Elvin Isufi,
• Abstract要約: 細胞複合体上の偏微分方程式から導出した位相対応状態空間フレームワークを提案する。 部分可観測性の下では,潜伏状態の細胞複合体畳み込みと非線形マッピングを用いた観測をモデル化する。 低階トポロジ構造のみが知られているシナリオに対しては,2階のセル構造を明示的に推測するセル識別アルゴリズムを導入する。
• 参考スコア（独自算出の注目度）: 20.46303557358702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inferring latent dynamics from multivariate time-series defined over topological cell complexes is crucial for capturing the complex, higher-order interactions inherent in real-world systems such as in water, sensor, and transportation networks. However, reconstructing these latent states is challenging because the signals are coupled across higher-order topologies, while high dimensionality, nonlinear observations, and unknown structures increase the difficulty. To address this, we propose a topology-aware state space framework derived from stochastic partial differential equations on cell complexes. State evolution follows heat-like topological diffusion, with perturbations propagating along boundary operators. Under partial observability, we model observations using a cell complex convolution of latent states coupled with a nonlinear mapping. We perform recursive state estimation via an Extended Kalman Filter, simultaneously learning model parameters and uncertainties through an online Expectation-Maximization algorithm. Finally, for scenarios where only lower-order topological structure is known, e.g., nodes and edges, as in critical infrastructure networks, we introduce a heuristic cell identification algorithm to explicitly infer the second-order cell structures. Validations on synthetic and real datasets from water, sensor and transportation networks demonstrate that our approach yields reliable estimates under partial observability and successfully recovers the underlying topological structures.
• Abstract（参考訳）: トポロジカルセル複合体上に定義された多変量時系列から潜在ダイナミクスを推定することは、水、センサー、輸送ネットワークなどの現実のシステムに固有の複雑で高次相互作用を捉えるのに不可欠である。 しかし、これらの潜伏状態の再構成は、信号が高次位相にわたって結合されているのに対して、高次元性、非線形観察、未知構造が困難を増すため、困難である。 そこで本稿では, 細胞複合体上の確率的偏微分方程式から導出した位相対応状態空間フレームワークを提案する。 状態の進化は、境界作用素に沿って伝播する摂動を伴う熱のようなトポロジカル拡散に続く。 部分可観測性の下では,潜伏状態の細胞複合体畳み込みと非線形マッピングを用いた観測をモデル化する。 拡張カルマンフィルタを用いて再帰状態推定を行い、オンライン期待最大化アルゴリズムを用いてモデルパラメータと不確かさを同時に学習する。 最後に,ノードやエッジなどの低次トポロジ構造のみが重要なインフラストラクチャネットワークとして知られているシナリオに対して,第2次セル構造を明示的に推測するヒューリスティックなセル識別アルゴリズムを導入する。 水, センサ, 輸送ネットワークからの合成および実データに対する検証により, 部分観測可能性の下で信頼性の高い推定値が得られ, 基礎となるトポロジ構造を復元することに成功した。

関連論文リスト

• GLU: Global-Local-Uncertainty Fusion for Scalable Spatiotemporal Reconstruction and Forecasting [0.0]
  GLU(Global-Local-Uncertainty framework)について述べる。 再構成では、GLUは重要適応型地区選択を用いて、局所的な関連情報を検索する。 予測では、階層的なLeader-Follower Dynamicsモジュールが遅延状態を進化させ、メモリ増加を大幅に減少させる。
  論文  参考訳（メタデータ） (2026-03-27T02:40:58Z)
• Beyond Distance: Quantifying Point Cloud Dynamics with Persistent Homology and Dynamic Optimal Transport [29.979662030541146]
  本稿では,最近提案されたトポロジカル・オプティカル・トランスポート(TpOT)距離を拡張して,時間進化点雲のトポロジカル・ティッピングを解析するためのフレームワークを提案する。 この制限を克服するために、新しいトポロジとハイパーグラフ再構成戦略によって駆動される階層的動的評価フレームワークを提案する。 この測地線とともに、グローバルシフトを捉えるためのマクロメトリクス(トポロジカル歪みとパーシスタンスエントロピー)と、高感度で非同期な局所的な変更を検出するための新しいメソスコピック双対パースペクティブハイパーグラフエントロピーを導入する。
  論文  参考訳（メタデータ） (2026-03-15T07:56:56Z)
• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• Graph Neural AI with Temporal Dynamics for Comprehensive Anomaly Detection in Microservices [7.957284443727372]
  本研究では,マイクロサービスアーキテクチャにおける異常検出と根本原因追跡の問題に対処する。 グラフニューラルネットワークと時間的モデリングを組み合わせた統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-05T08:28:41Z)
• Time Series Analysis of Spiking Neural Systems via Transfer Entropy and Directed Persistent Homology [0.0]
  本稿では、トランスファーエントロピー(TE)と永続ホモロジー(PH)を統合したニューラルネットワーク時系列分析フレームワークを提案する。 TEはニューロン間の方向の影響を定量化し、動的相互作用を反映した重み付き有向グラフを生成する。 この枠組みを,論理ゲートタスクを訓練した合成スパイクネットワーク,構造化および摂動入力に曝露した画像分類ネットワーク,行動事象を付加したマウス皮質記録に適用した。
  論文  参考訳（メタデータ） (2025-08-26T14:01:53Z)
• Memory as Structured Trajectories: Persistent Homology and Contextual Sheaves [5.234742752529437]
  本稿では,メモリをスパースなトポロジカルなアトラクタの集合として形式化するデルタホモロジーのアナロジーを導入する。 ディラックデルタのような記憶トレースは、認知状態の潜在多様体上の非自明なホモロジー生成器と同一視される。 我々はこれらのデルタホモロジー生成体を低エントロピー量変数と解釈し、高エントロピー文脈変数は濾過、コホモロジークラス、あるいは層として二重に表現する。
  論文  参考訳（メタデータ） (2025-08-01T23:03:13Z)
• Loss-Complexity Landscape and Model Structure Functions [53.92822954974537]
  我々はコルモゴロフ構造関数 $h_x(alpha)$ を双対化するためのフレームワークを開発する。 情報理論構造と統計力学の数学的類似性を確立する。 構造関数と自由エネルギーの間のルジャンドル・フェンシェル双対性を明確に証明する。
  論文  参考訳（メタデータ） (2025-07-17T21:31:45Z)
• Nonlinearity-driven Topology via Spontaneous Symmetry Breaking [79.16635054977068]
  パラメトリック駆動型量子共振器の連鎖は、弱い近傍-ケル間相互作用によってのみ結合される。 トポロジーはカーの非線形性の構造によって決定され、非自明なバルク境界対応をもたらす。
  論文  参考訳（メタデータ） (2025-03-15T00:20:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。