[論文レビュー] Coarse Ricci curvature and the manifold learning problem.

Antonio G. Ache, Micah Warren|arXiv (Cornell University)|Oct 13, 2014

Numerical methods in inverse problems被引用数 3

ひとこと要約

本稿では、ユークリッド空間に埋め込まれた部分多様体 Σ のリッチ曲率を、有限な i.i.d. ポイントサンプルを用いて推定する新しい手法を提案する。カルレ・デュ・シャン理論、経験過程、局所PCAを組み合わせることで、埋め込みやパrametrizationに関する事前知識がなくても、多様体学習に役立つ内在的リッチ曲率の一貫性のある推定量を確立する。

ABSTRACT

Consider a sample of $n$ points taken i.i.d from a submanifold $\Sigma$ of Euclidean space. We show that there is a way to estimate the Ricci curvature of $\Sigma$ with respect to the induced metric from the sample. Our method is grounded in the notions of Carre du Champ for diffusion semi-groups, the theory of Empirical processes and local Principal Component Analysis.

研究の動機と目的

• 有限な i.i.d. ポイントサンプルから部分多様体 Σ のリッチ曲率の一貫性のある推定量を開発すること。
• 拡散半群と経験過程理論を活用することで、確率的微分幾何学と多様体学習の間のギャップを埋めること。
• 多様体の埋め込みやパrametrizationに関する事前知識がなくても、データ駆動型の方法で内在的曲率を推定すること。
• 誘導されたリーマン計量からの標本抽出のもとで、曲率推定量の一貫性を確立すること。
• 次元削減や幾何的推論への応用を可能にする、曲率推定を介した手法の実装

提案手法

• 拡散半群理論におけるカルレ・デュ・シャン作用素を用いて、無限小の分散に基づく局所的曲率代理変数を定義する。
• 各サンプル点における接空間と内在的幾何を推定するために、局所的主成分分析（PCA）を適用する。
• 経験過程理論を用いて、局所的近傍における経験平均とその期待値との乖離を制御する。
• ペアワイズ距離と局所的分散推定量を用いたカーネルベース推定量を構築して、リッチ曲率を推定する。
• 局所PCAと2次統計量を組み合わせて、遷移密度のヘッセ行列を近似し、リッチ曲率と関連付ける。
• 部分多様体と標本密度に関するやや弱い正則性条件のもとで、推定量の一貫性を確立する。

実験結果

リサーチクエスチョン

• RQ1 部分多様体のリッチ曲率は、有限な i.i.d. ポイントサンプルから一貫して推定可能か？
• RQ2 カルレ・デュ・シャン形式主義は、曲率推定に適応可能な離散的・データ駆動的設定にどのように拡張可能か？
• RQ3 局所PCAは、ノイズの多いサンプルから内在的幾何的量（リッチ曲率を含む）を回復するために果たす役割は何か？
• RQ4 経験過程技法は、曲率推定量の統計的安定性をどのように保証するか？
• RQ5 曲率推定量が真のリッチ曲率に収束する理論的条件は何か？

主な発見

• 提案手法の推定量は、サンプルサイズ n が増加するにつれて、部分多様体のリッチ曲率の推定において一貫性を示す。
• 本手法は、アンビエント埋め込みに関する明示的知識がなくても、サンプル点と局所的幾何構造のみを用いて、内在的曲率を的確に回復できる。
• 局所PCAは、パラメトリックモデルが存在しない状況下でも、接空間を信頼性高く近似する。これは、曲率推定に不可欠である。
• 経験過程理論により、やや弱い正則性仮定のもとで、有限標本の推定値が一様に母集団の対応する量に収束することが保証される。
• 局所的解析により、ノイズに強く、低サンプル数の状況でも良好な性能を示す。
• 理論的枠組みは、確率解析、微分幾何、統計学を結びつけるものであり、データからの幾何的推論のための新たな道筋を提供する。