[论文解读] Polynomial Regression on Riemannian Manifolds

Jacob Hinkle, Prasanna Muralidharan+2 more|arXiv (Cornell University)|Jan 11, 2012

Morphological variations and asymmetry参考文献 13被引用 8

一句话总结

本文提出了在黎曼流形和李群上的内在多项式回归，将参数回归从欧氏空间扩展至非欧几何。通过利用高阶协变导数定义多项式曲线，并运用伴随方程求解变分问题，该方法实现了对形状轨迹的灵活、参数化建模——在大鼠颅骨生长和胼胝体老化数据上的实验表明，其拟合效果和统计效能优于非参数替代方法。

ABSTRACT

In this paper we develop the theory of parametric polynomial regression in Riemannian manifolds and Lie groups. We show application of Riemannian polynomial regression to shape analysis in Kendall shape space. Results are presented, showing the power of polynomial regression on the classic rat skull growth data of Bookstein as well as the analysis of the shape changes associated with aging of the corpus callosum from the OASIS Alzheimer's study.

研究动机与目标

• 开发一种适用于位于黎曼流形上的数据的参数回归框架，克服经典欧氏空间多项式回归的局限性。
• 利用内在黎曼几何将测地线回归推广至更高阶多项式曲线，避免依赖非内在的展开与展开过程。
• 在计算解剖学中实现对形状轨迹更灵活的建模，同时保持统计推断的效能。
• 提供基于伴随方程的变分公式，以高效优化流形上的多项式回归。
• 在真实生物形状数据（包括生长与衰老过程）上展示该方法的实用性。

提出的方法

• 该方法通过高阶协变导数在黎曼流形上定义多项式曲线，将恒定加速度的概念推广至更高阶。
• 将多项式回归定义为一个变分问题，通过最小化数据点到曲线的测地距离平方和来实现，同时通过辅助向量场对导数施加约束。
• 采用连续伴随方法进行优化，通过伴随系统方程推导能量泛函关于曲线的梯度。
• 伴随系统包括对偶变量（λ）的反向演化，其满足涉及黎曼曲率张量和曲线速度的微分方程。
• 利用指数映射与对数映射处理流形值数据，并通过沿曲线的平行移动实现向量场的一致微分。
• 该方法通过在观测值之间简单组合伴随系统，自然扩展至多个时间点和多组数据。

实验结果

研究问题

• RQ1 能否以保持欧氏空间多项式回归的参数化、灵活性和统计推断能力的方式，将多项式回归推广至黎曼流形？
• RQ2 如何在不依赖外嵌入或展开过程的前提下，内在地定义流形上的高阶多项式曲线（如二次、三次曲线）？
• RQ3 所提出的方法是否在形状轨迹拟合上优于非参数方法，同时仍能实现对趋势的统计推断？
• RQ4 该方法能否恢复形状变化研究中（如纵向衰老数据）最优的时间参数化？
• RQ5 曲率与平行移动如何影响非欧流形上多项式回归的稳定性和准确性？

主要发现

• 所提出的黎曼多项式回归在经典大鼠颅骨生长数据集上的参数拟合质量，与非参数核方法相当，如先前研究所示。
• 该方法成功建模了OASIS阿尔茨海默病研究中胼胝体随年龄变化的复杂非线性轨迹。
• 该模型提供了关于最优时间参数化的信息，这是非参数方法无法直接获得的。
• 伴随系统通过反向积分计算梯度，显著提升了计算效率，实现了高效的优化。
• 该方法避免了对外在展开或展开流形的需求，保持了内在几何一致性。
• 理论框架通过利用曲率与李括号恒等式严格推导变分梯度得到验证。