[论文解读] Dimension reduction by random hyperplane tessellations

Yaniv Plan, Roman Vershynin|arXiv (Cornell University)|Nov 18, 2011

Point processes and geometric inequalities参考文献 17被引用 6

一句话总结

该论文提出了一种新颖的降维技术，利用随机超平面剖分将欧几里得空间的有界子集嵌入哈密顿立方体，且失真度较低。证明了当 $ m = O(w(K)^2) $ 时，使用随机超平面可实现 $ \delta $-均匀剖分，其中 $ w(K) $ 为高斯均宽度，从而以高概率实现近乎等距嵌入。

ABSTRACT

Given a subset K of the unit Euclidean sphere, we estimate the minimal number m = m(K) of hyperplanes that generate a uniform tessellation of K, in the sense that the fraction of the hyperplanes separating any pair x, y in K is nearly proportional to the Euclidean distance between x and y. Random hyperplanes prove to be almost ideal for this problem; they achieve the almost optimal bound m = O(w(K)^2) where w(K) is the Gaussian mean width of K. Using the map that sends x in K to the sign vector with respect to the hyperplanes, we conclude that every bounded subset K of R^n embeds into the Hamming cube {-1, 1}^m with a small distortion in the Gromov-Haussdorf metric. Since for many sets K one has m = m(K) << n, this yields a new discrete mechanism of dimension reduction for sets in Euclidean spaces.

研究动机与目标

• 确定将有界子集 $ K \subseteq \mathbb{R}^n $ 均匀剖分所需的最少超平面数量，使得分离超平面的比例与点之间的欧几里得距离成正比。
• 建立随机超平面通过将 $ K $ 嵌入哈密顿立方体 $ \{-1,1\}^m $ 实现近乎最优的降维，且在 Gromov-Hausdorff 度量下失真较小。
• 证明所需超平面数量仅取决于高斯均宽度 $ w(K) $，从而在 $ w(K) \ll n $ 时实现高效的降维。
• 通过在 $ \mathbb{R}^{n+1} $ 中的提升方法，将结果从球面 $ S^{n-1} $ 扩展到 $ \mathbb{R}^n $ 的一般有界子集。

提出的方法

• 使用从 $ S^{n-1} $ 上的 Haar 测度中抽取的法向量生成随机超平面，以确保旋转不变性和均匀分布。
• 定义一个符号映射 $ f: \mathbb{R}^n \to \{-1,1\}^m $，将每个点 $ x $ 映射为其与超平面法向量内积的符号向量。
• 分析任意一对点 $ x,y \in K $ 的分离超平面比例 $ d_A(x,y) $，并证明其集中在球面上的归一化测地线距离 $ d(x,y) $ 附近。
• 应用浓度不等式证明：当 $ m \geq C\delta^{-6}w(K)^2 $ 时，以高概率对所有 $ x,y \in K $ 均有 $ |d_A(x,y) - d(x,y)| \leq \delta $。
• 通过将问题从 $ \mathbb{R}^n $ 提升至 $ \mathbb{R}^{n+1} $，将 $ K \oplus t $ 通过球面对射嵌入单位球面，从而可应用球面结果。
• 利用提升空间中测地线距离与欧氏距离的渐近界，将 $ d_A(x,y) $ 与原始的 $ \|x-y\|_2 $ 关联起来，并调节参数以实现 $ \delta $-一致性。

实验结果

研究问题

• RQ1 实现有界集 $ K \subseteq \mathbb{R}^n $ 的 $ \delta $-均匀剖分所需的最少超平面数 $ m(K,\delta) $ 是多少，使得分离超平面的比例与点之间的欧氏距离成正比？
• RQ2 随机超平面能否通过将 $ K \subseteq \mathbb{R}^n $ 嵌入哈密顿立方体 $ \{-1,1\}^m $ 实现近乎最优的降维，且失真度为 $ \delta $？
• RQ3 高斯均宽度 $ w(K) $ 如何控制实现均匀剖分所需的超平面数量？该界能否推广到球面之外？
• RQ4 在符号映射下，球面上的归一化测地线距离与离散立方体中的汉明距离之间存在何种关系？
• RQ5 能否通过提升构造将球面子集的结果推广到 $ \mathbb{R}^n $ 的一般有界子集？

主要发现

• 以高概率，$ m = O(\delta^{-6}w(K)^2) $ 个独立的随机超平面可对任意子集 $ K \subseteq S^{n-1} $ 实现 $ \delta $-均匀剖分，即对所有 $ x,y \in K $ 满足 $ |d_A(x,y) - d(x,y)| \leq \delta $。
• 通过符号映射将 $ K \subseteq S^{n-1} $ 嵌入哈密顿立方体 $ \{-1,1\}^m $ 可实现 $ \varepsilon $-等距嵌入，其中 $ \varepsilon = O(\delta) $，且 $ m = O(w(K)^2) $。
• 对于直径为 1 的一般有界集 $ K \subset \mathbb{R}^n $，相同结果成立，且 $ m = O(\delta^{-12}w(K)^2) $，通过提升至 $ \mathbb{R}^{n+1} $ 并进行球面对射实现。
• 高斯均宽度 $ w(K) $ 是决定降维效率的关键几何参数，当 $ w(K) \ll n $ 时，有 $ m \ll n $。
• 由随机超平面诱导的符号映射可保持距离在 $ \delta $ 以内，且对 $ K $ 中所有点对的失真均被一致有界，从而建立了一种离散的降维机制。
• 证明依赖于测度集中性以及提升空间中测地线距离与欧氏距离的渐近分析，通过仔细调节提升参数 $ t $ 来平衡误差项。