この記事では、データの構造や関係を把握するために位相的原則を用いた統計学習の文献の増加を背景に、Topological Prototype Selector (TPS) という新しいフレームワークを提案しています。このTPSは、大規模データセットから代表的なサブセット（プロトタイプ）を選択することを目的としています。シミュレーションデータを通じて、データの内在的特性が異なる場合でもTPSの効果を実証し、従来のプロトタイプ選択手法と比較しています。シミュレーションおよび実データの両方において、TPSは分類性能を大幅に向上させるか維持しつつ、データサイズを著しく削減することを示しました。これにより、プロトタイプ学習のアルゴリズム的および幾何学的な側面が進展し、並列化可能で解釈しやすく、効率的な分類手法の実用的なツールが提供されます。