Topological inference from measures

Mickaël Buchet 1
1 GEOMETRICA - Geometric computing
CRISAM - Inria Sophia Antipolis - Méditerranée , Inria Saclay - Ile de France
Résumé : La quantité de données disponibles n'a jamais été aussi grande. Se poser les bonnes questions, c'est-à-dire des questions qui soient à la fois pertinentes et dont la réponse est accessible est difficile. L'analyse topologique de données tente de contourner le problème en ne posant pas une question trop précise mais en recherchant une structure sous-jacente aux données. Une telle structure est intéressante en soi mais elle peut également guider le questionnement de l'analyste et le diriger vers des questions pertinentes. Un des outils les plus utilisés dans ce domaine est l'homologie persistante. Analysant les données à toutes les échelles simultanément, la persistance permet d'éviter le choix d'une échelle particulière. De plus, ses propriétés de stabilité fournissent une manière naturelle pour passer de données discrètes à des objets continus. Cependant, l'homologie persistante se heurte à deux obstacles. Sa construction se heurte généralement à une trop large taille des structures de données pour le travail en grandes dimensions et sa robustesse ne s'étend pas au bruit aberrant, c'est-à-dire à la présence de points non corrélés avec la structure sous-jacente.Dans cette thèse, je pars de ces deux constatations et m'applique tout d'abord à rendre le calcul de l'homologie persistante robuste au bruit aberrant par l'utilisation de la distance à la mesure. Utilisant une approximation du calcul de l'homologie persistante pour la distance à la mesure, je fournis un algorithme complet permettant d'utiliser l'homologie persistante pour l'analyse topologique de données de petite dimension intrinsèque mais pouvant être plongées dans des espaces de grande dimension. Précédemment, l'homologie persistante a également été utilisée pour analyser des champs scalaires. Ici encore, le problème du bruit aberrant limitait son utilisation et je propose une méthode dérivée de l'utilisation de la distance à la mesure afin d'obtenir une robustesse au bruit aberrant. Cela passe par l'introduction de nouvelles conditions de bruit et l'utilisation d'un nouvel opérateur de régression. Ces deux objets font l'objet d'une étude spécifique. Le travail réalisé au cours de cette thèse permet maintenant d'utiliser l'homologie persistante dans des cas d'applications réelles en grandes dimensions, que ce soit pour l'inférence topologique ou l'analyse de champs scalaires.
Type de document :
Thèse
Computational Geometry [cs.CG]. Université Paris Sud - Paris XI, 2014. English. 〈NNT : 2014PA112367〉
Liste complète des métadonnées

Littérature citée [95 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/tel-01108521
Contributeur : Mickaël Buchet <>
Soumis le : jeudi 22 janvier 2015 - 21:05:38
Dernière modification le : samedi 27 janvier 2018 - 01:30:59
Document(s) archivé(s) le : jeudi 23 avril 2015 - 11:10:11

Identifiants

  • HAL Id : tel-01108521, version 1

Collections

Citation

Mickaël Buchet. Topological inference from measures. Computational Geometry [cs.CG]. Université Paris Sud - Paris XI, 2014. English. 〈NNT : 2014PA112367〉. 〈tel-01108521〉

Partager

Métriques

Consultations de la notice

496

Téléchargements de fichiers

480