[论文解读] Eignets for function approximation on manifolds

H. N. Mhaskar|ArXiv.org|Sep 28, 2009

Numerical methods in inverse problems参考文献 12被引用 3

一句话总结

本文提出了eignets——基于紧致黎曼流形上的核函数逼近网络——采用一种确定性、通用的算法，构建出在 Lp(µ; X) 中最优逼近函数的 eignets。主要贡献在于基于最小中心间距这一复杂度度量，建立了逼近误差的最优光滑模估计，并通过逆定理证明了这些估计对每个函数的最优性，以及系数和导数的稳定性估计。

ABSTRACT

Let $\XX$ be a compact, smooth, connected, Riemannian manifold without boundary, $G:\XX imes\XX o \RR$ be a kernel. Analogous to a radial basis function network, an eignet is an expression of the form $\sum_{j=1}^M a_jG(\circ,y_j)$, where $a_j\in\RR$, $y_j\in\XX$, $1\le j\le M$. We describe a deterministic, universal algorithm for constructing an eignet for approximating functions in $L^p(μ;\XX)$ for a general class of measures $μ$ and kernels $G$. Our algorithm yields linear operators. Using the minimal separation amongst the centers $y_j$ as the cost of approximation, we give modulus of smoothness estimates for the degree of approximation by our eignets, and show by means of a converse theorem that these are the best possible for every \emph{individual function}. We also give estimates on the coefficients $a_j$ in terms of the norm of the eignet. Finally, we demonstrate that if any sequence of eignets satisfies the optimal estimates for the degree of approximation of a smooth function, measured in terms of the minimal separation, then the derivatives of the eignets also approximate the corresponding derivatives of the target function in an optimal manner.

研究动机与目标

• 开发一种确定性、通用的算法，用于在紧致黎曼流形上构造逼近 Lp(µ; X) 中函数的 eignets。
• 基于最小中心间距作为复杂度度量，建立逼近度的最优光滑模估计。
• 证明逆定理，表明这些估计对每个单独函数均具有最优性。
• 推导出系数 aj 相对于 eignet 的 Lp 范数的稳定性估计。
• 证明：若 eignets 对光滑函数实现最优逼近，则其导数亦实现最优逼近。

提出的方法

• 使用核函数 G(x, y) = ∑j≥0 b(ℓj)φj(x)φj(y)，其中 {φj} 是 L2(µ; X) 的标准正交基，ℓj 为拉普拉斯-贝尔特拉米算子的特征值。
• 将 eignets 构造为线性组合 PMj=1 ajG(⋅, yj)，其中中心 yj ∈ X，系数 aj ∈ ℝ。
• 基于扩散多项式 ΠL = span{φj : ℓj ≤ L} 进行多尺度分析，利用类 Littlewood-Paley 分解。
• 采用紧框架变换，并通过算子 Φ2m(hb2m; ⋅, y) 进行逼近，以控制误差并推导稳定性。
• 利用热核逼近及其性质定义核结构，并推导收敛速率。
• 应用离散极大函数估计和范数不等式（如 (6.13)）以界定逼近误差和系数稳定性。

实验结果

研究问题

• RQ1 能否通过一种确定性、通用的算法，构造出在紧致黎曼流形上逼近 Lp(µ; X) 中函数的 eignets，并实现最优逼近速率？
• RQ2 逼近误差对中心 yj 之间最小间距的最优依赖关系是什么？
• RQ3 若 eignets 对光滑函数实现最优逼近，是否也对其实导数实现最优逼近？
• RQ4 系数 aj 能否以 eignet 的 Lp 范数为基准进行有界控制，从而确保稳定性？
• RQ5 通过逆定理确认，所推导的逼近估计是否为精确最优？

主要发现

• 该算法实现最优逼近速率，误差被控制在 c2−m(β−α/p′)qα/p′−β∥Ψ∥p 范围内，其中 q 与最小中心间距相关。
• 逆定理确认，所推导的误差界对每个单独函数均具有最优性。
• 稳定性估计表明 ∥(∆∗)rΨ∥p ≤ c2mr∥Ψ∥p，其中 2m ∼1/q，确保了对系数的有效控制。
• 导数逼近达到最优：若 eignets 对 f 实现最优逼近，则其导数以相同最优速率收敛至 f 的导数。
• 构造保证了 δ(˜Cm) ∼1/m 且 δ(˜Cm) ≤2δ(˜Cm)，其中 ˜Cm 为嵌套结构并满足分离条件。
• 当 p = ∞ 时，估计式 ∥(∆∗)γσm(f) −(∆∗)γΨm∥p ≤ cmγ−r∥(∆∗)rf∥p 成立，证实了导数范数下的收敛性。