[论文解读] LDLE: Low Distortion Local Eigenmaps

Dhruv Kohli, Alexander Cloninger+1 more|arXiv (Cornell University)|Jan 26, 2021

Human Pose and Action Recognition参考文献 40被引用 6

一句话总结

LDLE（低失真局部等距映射）是一种流形学习方法，通过使用图拉普拉斯矩阵的特征向量构建低失真局部嵌入，并利用普罗克拉斯分析进行配准，从而生成全局的内在维度假嵌入。该方法通过将流形撕裂并提供彩色边界的拼接指令，首次实现了对闭合及非可定向流形（如环面和莫比乌斯带）的精确嵌入，在噪声和稀疏性条件下显著优于其他方法，展现出更优的距离保持能力。

ABSTRACT

We present Low Distortion Local Eigenmaps (LDLE), a manifold learning technique which constructs a set of low distortion local views of a dataset in lower dimension and registers them to obtain a global embedding. The local views are constructed using the global eigenvectors of the graph Laplacian and are registered using Procrustes analysis. The choice of these eigenvectors may vary across the regions. In contrast to existing techniques, LDLE can embed closed and non-orientable manifolds into their intrinsic dimension by tearing them apart. It also provides gluing instruction on the boundary of the torn embedding to help identify the topology of the original manifold. Our experimental results will show that LDLE largely preserved distances up to a constant scale while other techniques produced higher distortion. We also demonstrate that LDLE produces high quality embeddings even when the data is noisy or sparse.

研究动机与目标

• 开发基于图拉普拉斯矩阵特征函数的离散化、算法化低失真局部参数化方法。
• 通过在配准过程中允许局部视图被撕裂，实现对闭合及非可定向流形的全局流形嵌入。
• 通过彩色边界标记提供拓扑拼接指令，以重建原始流形的拓扑结构。
• 保持测地距离与常数尺度成比例，最小化低维嵌入中的失真。
• 通过稳定估计特征向量梯度，确保输入数据存在噪声和稀疏性时的鲁棒性。

提出的方法

• 使用图拉普拉斯矩阵的选定特征向量在每个局部区域构造流形的局部视图 Φₖ，以最小化失真。
• 通过局部相关性估计拉普拉斯特征函数梯度场的内积，以选择每个局部图册的最优特征向量。
• 应用普罗克拉斯分析对嵌入空间中的局部视图 Φₖ(Uₖ) 进行对齐，最小化视图间错位，同时保持相对几何结构。
• 在嵌入过程中允许流形撕裂，以处理闭合及非可定向结构，避免拓扑不一致。
• 使用彩色边界标记编码拼接指令，相同颜色的边界点对应于原始流形上相邻的点。
• 利用费曼-卡公式和低秩近似，高效估计噪声存在下的关键内积项 |Ãkij|。

实验结果

研究问题

• RQ1 能否在离散设置中，利用图拉普拉斯矩阵的特征向量构造出低失真的局部参数化？
• RQ2 如何将流形的局部视图配准以形成保持内在几何结构的全局嵌入？
• RQ3 LDLE能否在不引入拓扑失真的前提下，将闭合及非可定向流形（如环面和莫比乌斯带）嵌入其内在维度？
• RQ4 在噪声和稀疏性条件下，LDLE与UMAP、t-SNE及拉普拉斯特征映射等现有方法相比，在保持测地距离方面表现如何？
• RQ5 边界着色能否提供可靠的拓扑拼接指令，以从撕裂的嵌入中重建原始流形？

主要发现

• LDLE在瑞士卷和环面数据集上的实验表明，其失真显著低于现有方法，能将测地距离保持在常数尺度内。
• 该方法通过撕裂嵌入并利用边界着色进行拼接，成功实现了对非可定向流形（如莫比乌斯带和克莱因瓶）的嵌入。
• 在噪声方差为 10⁻⁴ 的瑞士卷数据上，结合图拉普拉斯矩阵低秩近似的费曼-卡公式在估计 |Ãkij| 时最为准确，优于LLR和有限和近似方法。
• LDLE在稀疏采样和噪声条件下仍能保持高嵌入质量，局部参数化的失真度量 ||Φₖ||_Lip ||Φₖ⁻¹||_Lip 极小。
• 从LDLE嵌入中推导出的剪切-粘贴图能正确识别拓扑关系，相同颜色的边界线段表示需粘合的点。
• 该算法通过在每个区域独立选择特征向量，实现了自适应的、区域特定的参数化，相比统一的全局方法，显著提升了局部保真度。