[논문 리뷰] Function recovery on manifolds using scattered data

David Krieg, Mathias Sonnleitner|arXiv (Cornell University)|2021. 09. 09.

Numerical methods in inverse problems인용 수 4

한 줄 요약

이 논문은 컴act 리만다이언 군면에서의 산산이 흩어진 샘플링 점들의 품질을 스오볼레프 함수 복원에 대해 날카롭게 특성화하며, 최악의 경우 복원 오차가 지오데식 거리의 $L_\gamma(M)$-평균에 의해 결정됨을 보여준다. 여기서 $\gamma = d/s$이며 $s > d/p$일 때 성립한다. 이는 랜덤 샘플링이 $\gamma < \infty$일 때 최적의 샘플링과 渐진적으로 동일한 효율성을 가지며, 이는 복합 공식의 효율성에서 이전까지 존재하던 로그 갭을 메운다.

ABSTRACT

We consider the task of recovering a Sobolev function on a connected compact Riemannian manifold $M$ when given a sample on a finite point set. We prove that the quality of the sample is given by the $L_γ(M)$-average of the geodesic distance to the point set and determine the value of $γ\in (0,\infty]$. This extends our findings on bounded convex domains [IMA J. Numer. Anal., 44:1346--1371, 2024]. As a byproduct, we prove the optimal rate of convergence of the $n$-th minimal worst case error for $L_q(M)$-approximation for all $1\le q \le \infty$. Further, a limit theorem for moments of the average distance to a set consisting of i.i.d.\ uniform points is proven. This yields that a random sample is asymptotically as good as an optimal sample in precisely those cases with $γ&lt;\infty$. In particular, we obtain that cubature formulas with random nodes are asymptotically as good as optimal cubature formulas if the weights are chosen correctly. This closes a logarithmic gap left open by Ehler, Gräf and Oates [Stat. Comput., 29:1203-1214, 2019].

연구 동기 및 목표

• 컴 pact 리만다이언 군면에서 산산이 흩어진 데이터로부터 스오볼레프 함수를 복원할 때 최악의 경우 오차를 특성화하는 것.
• 복원 오차가 샘플링 점의 분포, 특히 그들의 공간적 산란도에 의존하는 방식을 규명하는 것.
• 랜덤 샘플링이 최적으로 선택된 샘플링 점들과 渐진적으로 동일한 효율성을 가지는 조건을 설정하는 것.
• 랜덤 복합 공식의 효율성과 최적의 것 사이의 로그 갭을 메우는 것.

제안 방법

• 함수의 정규성 모델링을 위해 컴 pact 리만다이언 군면 $M$ 상의 베셀 퍼텐셜(스오볼레프) 공간 $H^s_p(M)$를 사용한다.
• 일반 및 선형 복원 맵에 대해 $L_q(M)$-노름에서 최악의 경우 복원 오차를 정의한다.
• 군면 $M$ 위의 점에서 샘플링 집합 $P$까지의 지오데식 거리의 $L_\gamma(M)$-평균에 기반한 기하학적 품질 측도를 도입한다.
• 복원 오차가 $\gamma = d/s$일 때 이 $L_\gamma$-평균 거리와 상수 인자 이내로 등가임을 증명한다.
• 독립 동일분포의 균일 샘플링 점에 대해 확률론적 및 기하학적 추론을 사용하여 평균 거리의 모멘트를 분석한다.
• 지배 수렴 정리와 르베그 미분 정리를 적용하여 모멘트 생성 함수의 수렴을 보이며, 랜덤 샘플링과 최적 샘플링 간의 渐진적 등가성을 증명한다.

실험 결과

연구 질문

• RQ1 컴 pact 리만다이언 군면에서 스오볼레프 함수 복원의 최악의 경우 오차를 결정하는 산산이 흩어진 점 집합의 기하적 성질은 무엇인가?
• RQ2 랜덤 샘플링이 함수 복원에서 최적의 샘플링과 渐진적으로 동일한 효율성을 가지는 데 필요한 $\gamma$의 값은 무엇인가?
• RQ3 적절한 가중치를 선택할 경우, 랜덤 노드를 가진 복합 공식의 오차가 최적 공식의 오차와 일치할 수 있는가?
• RQ4 지오데식 거리의 $L_\gamma$-평균은 산산이 흩어진 데이터의 근사 능력과 어떻게 관련이 있는가?

주요 결과

• 함수 $H^s_p(M)$에 대한 최악의 경우 복원 오차는 샘플링 집합까지의 $L_\gamma(M)$-평균 지오데식 거리와 등가이며, $\gamma = d/s$이다.
• $\gamma < \infty$일 때, 랜덤 샘플링은 함수 복원에서 최적의 샘플링과 渐진적으로 동일한 효율성을 가진다.
• 가중치를 적절히 선택할 경우, 랜덤 노드를 가진 복합 공식은 최적 복합 공식과 동일한 渐진적 오차율을 달성한다.
• 평균 거리의 모멘트에 대한 극한 정리에 따르면, $\gamma < \infty$ 영역에서 랜덤 점 집합이 최적의 渐진적 성능을 달성함을 확인할 수 있다.
• 이 결과는 이전의 볼록 도메인에 대한 발견을 일반적인 컴 pact 리만다이언 군면, 즉 구와 같은 곡면을 포함한 일반적인 다양체로 확장한다.
• 모든 유한 점 집합 $P$에 대해 $e(P, H^s_p(M), L_q(M)) \asymp \| \operatorname{dist}_M(\cdot, P) \|_{L_\gamma(M)}$의 등가관계가 균일하게 성립한다.