[論文レビュー] Radial basis approximation of tensor fields on manifolds: From operator estimation to manifold learning

John Harlim, Shixiao W. Jiang+1 more|arXiv (Cornell University)|Aug 17, 2022

Composite Material Mechanics被引用数 4

ひとこと要約

本稿では、ランダムにサンプリングされた点群から多様体上での微分作用素（特にラプラス＝ベルトラミやベクトルラプラシアン）を近似するための対称的径数基底関数（RBF）フレームワークを提案する。アーモニウス空間におけるRBF補間と局所的SVDを用いた接空間推定により、真の非負の固有値スペクトルと直交固有関数への収束を保証し、非対称な定式化に起因するスペクトル汚染を克服する。

ABSTRACT

In this paper, we study the Radial Basis Function (RBF) approximation to differential operators on smooth tensor fields defined on closed Riemannian submanifolds of Euclidean space, identified by randomly sampled point cloud data. {The formulation in this paper leverages a fundamental fact that the covariant derivative on a submanifold is the projection of the directional derivative in the ambient Euclidean space onto the tangent space of the submanifold. To differentiate a test function (or vector field) on the submanifold with respect to the Euclidean metric, the RBF interpolation is applied to extend the function (or vector field) in the ambient Euclidean space. When the manifolds are unknown, we develop an improved second-order local SVD technique for estimating local tangent spaces on the manifold. When the classical pointwise non-symmetric RBF formulation is used to solve Laplacian eigenvalue problems, we found that while accurate estimation of the leading spectra can be obtained with large enough data, such an approximation often produces irrelevant complex-valued spectra (or pollution) as the true spectra are real-valued and positive. To avoid such an issue,} we introduce a symmetric RBF discrete approximation of the Laplacians induced by a weak formulation on appropriate Hilbert spaces. Unlike the non-symmetric approximation, this formulation guarantees non-negative real-valued spectra and the orthogonality of the eigenvectors. Theoretically, we establish the convergence of the eigenpairs of both the Laplace-Beltrami operator and Bochner Laplacian {for the symmetric formulation} in the limit of large data with convergence rates. Numerically, we provide supporting examples for approximations of the Laplace-Beltrami operator and various vector Laplacians, including the Bochner, Hodge, and Lichnerowicz Laplacians.

研究の動機と目的

• ランダムにサンプリングされたデータ点から多様体上での微分作用素を近似する、堅牢なRBFに基づく手法の開発。
• 真の固有値が実数かつ非負であるにもかかわらず、虚数固有値を生じる非対称RBF定式化に起因するスペクトル汚染の解消。
• コンパクトなリーマン多様体上での連続的微分作用素に一致する離散的RBF作用素への固有値対の理論的収束の確立。
• 明示的なパラメータ化を必要とせず、多様体上でのベクトルラプラシアン（例：ホッジ、リヒネロービッツ）をRBFを用いて正確に近似可能にする。
• 点群データに基づくRBFを用いた作用素推定と多様体学習を統合するフレームワークの構築。

提案手法

• 多様体上に定義されたテンソル場を、アーモニウス空間におけるRBF補間により拡張し、方向微分の計算を可能にする。
• 局所的SVDを用いてアーモニウス空間の方向微分を局所的接空間に射影することで、多様体上での共変微分を近似する。
• ラプラシアンの対称的で弱形式に基づくRBF離散化を導入し、実数かつ非負の固有値と直交固有関数を保証する。
• 改良された2次精度の局所的SVD技術を用い、ランダムにサンプリングされた点群から局所的接空間を推定する。
• ヒルベルト空間解析を用いて理論的収束を確立し、離散的RBF作用素がコンパクトなリーマン多様体上での連続的微分作用素に一致することを示す。
• 数値的妥当性検証として、R^21内に埋め込まれた2次元トーラス上でのラプラス＝ベルトラミ作用素およびさまざまなベクトルラプラシアンの近似を実施。

実験結果

リサーチクエスチョン

• RQ1 対称的RBF離散化は、多様体上でのラプラシアン固有値近似におけるスペクトル汚染を完全に排除できるか？
• RQ2 データ密度が増加する条件下で、RBFに基づく固有値対の収束速度はどのように振る舞うか？
• RQ3 局所的SVDに基づく接空間推定は、ランダムにサンプリングされた多様体上でのRBF近似を信頼できるものとするか？
• RQ4 対称的RBF定式化は、拡散マップ（例：Kやεを変化させた場合）と比較して、固有関数および固有値の近似において優位性を示せるか？
• RQ5 事前パラメータ化を必要とせず、一般のベクトルラプラシアン（例：ボッハナー、ホッジ、リヒネロービッツ）を多様体上でどの程度正確に近似できるか？

主な発見

• 対称的RBF定式化により、実数かつ非負の固有値と直交固有関数が保証され、非対称RBF近似に内在するスペクトル汚染が解消される。
• ラプラス＝ベルトラミ作用素およびボッハナー作用素の両方について、大規模データ極限における固有値対の理論的収束が確立され、明示的な収束速度が導出された。
• R^21内に埋め込まれた2次元トーラス上での数値実験では、対称的RBF（SRBF）法が、さまざまなKおよびεパラメータを用いた拡散マップと比較して、固有値および固有関数の推定において競争力ある、あるいは優れた精度を達成した。
• K=100かつ自動チューニングされたεを用いた場合、SRBF法は、特にモードk=13の固有関数推定において、手動および自動チューニングされた拡散マップ設定を上回る精度を示した。
• K=400かつε=0.2の拡散マップは、非主固有値の精度を向上させたが、主固有値の推定精度を低下させ、SRBFとは異なり、質的に正確な固有関数を得られなかった。
• SRBF法は、異なるパラメータ設定に対しても一貫した固有関数の精度を維持しており、多様体学習タスクにおける頑健性と信頼性を確認した。