この記事では、データセットの多重スケール構造を説明するための新しい手法、「Multiparameter Persistent Homology」(MPH) を使用して、多スケールクラスタリングのトポロジー的自己相関を測定する方法を提案します。具体的には、MCbiF（Multiscale Clustering Bifiltration）という2パラメータフィルタの枠組みを提案し、それがクラスタの交差パターンを記述することを示します。この手法は、階層的なクラスタリングを含む多様なデータ分析に利用され、特に実験では、MCbiFのヒルベルト関数が機械学習タスクにおいて優れた特徴マップとして機能することが確認されました。さらに、野生マウスの社交的なグループ形成パターンにおける非階層性の測定への応用例も示されています。