Homology groups of embedded fractional Brownian motion
Notice bibliographique
Résumé
A well-known class of nonstationary self-similar time series is the fractional Brownian motion (fBm) considered to model ubiquitous stochastic processes in nature. Due to noise and trends superimposed on data and even sample size and irregularity impacts, the well-known computational algorithm to compute the Hurst exponent (H) has encountered superior results. Motivated by this discrepancy, we examine the homology groups of high-dimensional point cloud data (PCD), a subset of the unit D-dimensional cube, constructed from synthetic fBm data as a pipeline to compute the H exponent. We compute topological measures for embedded PCD as a function of the associated Hurst exponent for different embedding dimensions, time delays, and amount of irregularity existing in the dataset in various scales. Our results show that for a regular synthetic fBm, the higher value of the embedding dimension leads to increasing the H dependency of topological measures based on zeroth and first homology groups. To achieve a reliable classification of fBm, we should consider the small value of time delay irrespective of the irregularity presented in the data. More interestingly, the value of the scale for which the PCD to be path connected and the postloopless regime scale are more robust concerning irregularity for distinguishing the fBm signal. Such robustness becomes less for the higher value of the embedding dimension. Finally, the associated Hurst exponents for our topological feature vector for the S&P500 were computed, and the results are consistent with the detrended fluctuation analysis method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».