[论文解读] Principal Component Analysis for Functional Data on Riemannian Manifolds and Spheres

Xiongtao Dai, Hans‐Georg Müller|arXiv (Cornell University)|May 17, 2017

Geochemistry and Geologic Mapping参考文献 37被引用 8

一句话总结

本文提出黎曼函数主成分分析（RFPCA），一种新颖的内在方法，用于对光滑黎曼流形（特别是球面）上的函数型数据进行降维。通过使用黎曼对数映射将流形值曲线映射到切空间，应用经典FPCA，并利用指数映射将结果投影回原流形，RFPCA在非负曲率条件下实现了根-n的一致收敛和中心极限定理，相较于无约束FPCA，在轨迹恢复和分类预测方面表现更优。

ABSTRACT

Functional data analysis on nonlinear manifolds has drawn recent interest. Sphere-valued functional data, which are encountered for example as movement trajectories on the surface of the earth, are an important special case. We consider an intrinsic principal component analysis for smooth Riemannian manifold-valued functional data and study its asymptotic properties. Riemannian functional principal component analysis (RFPCA) is carried out by first mapping the manifold-valued data through Riemannian logarithm maps to tangent spaces around the time-varying Fréchet mean function, and then performing a classical multivariate functional principal component analysis on the linear tangent spaces. Representations of the Riemannian manifold-valued functions and the eigenfunctions on the original manifold are then obtained with exponential maps. The tangent-space approximation through functional principal component analysis is shown to be well-behaved in terms of controlling the residual variation if the Riemannian manifold has nonnegative curvature. Specifically, we derive a central limit theorem for the mean function, as well as root-$n$ uniform convergence rates for other model components, including the covariance function, eigenfunctions, and functional principal component scores. Our applications include a novel framework for the analysis of longitudinal compositional data, achieved by mapping longitudinal compositional data to trajectories on the sphere, illustrated with longitudinal fruit fly behavior patterns. RFPCA is shown to be superior in terms of trajectory recovery in comparison to an unrestricted functional principal component analysis in applications and simulations and is also found to produce principal component scores that are better predictors for classification compared to traditional functional functional principal component scores.

研究动机与目标

• 开发一种理论基础坚实的、针对光滑黎曼流形值函数型数据的内在函数主成分分析方法。
• 解决现有函数型数据分析方法在弯曲、非线性空间中缺乏理论依据的问题。
• 将经典FPCA扩展至非欧几何流形，同时通过对数映射和指数映射保持几何结构。
• 在非负曲率条件下，建立渐近性质，包括根-n一致收敛和中心极限定理。
• 在轨迹恢复和分类预测方面，相较于无约束FPCA，展示出更优的性能。

提出的方法

• 利用黎曼对数映射，将流形值函数型数据映射到随时间变化的弗雷歇均值附近的切空间。
• 在线性切空间上执行经典多变量函数主成分分析。
• 通过黎曼指数映射重构原始流形值函数和特征函数。
• 通过最小化流形上的测地距离来控制残差变异，确保在非负曲率条件下近似效果良好。
• 以弗雷歇均值函数作为时间变化切空间对齐的中心参考点。
• 应用理论工具如泰勒展开和矩阵导数，推导收敛速率和渐近分布。

实验结果

研究问题

• RQ1 能否系统性地将函数主成分分析扩展至黎曼流形值函数型数据，同时尊重其内在几何结构？
• RQ2 在此内在框架下，均值函数、协方差、特征函数和得分的渐近性质是什么？
• RQ3 底层面流形的曲率如何影响所提方法的收敛行为？
• RQ4 RFPCA在轨迹恢复和预测性能方面是否优于无约束FPCA？
• RQ5 能否利用该框架有效将纵向组成数据建模为球面函数型数据？

主要发现

• 在非负曲率条件下，RFPCA对均值函数、协方差函数、特征函数和函数主成分得分实现了根-n一致收敛速率。
• 为时变弗雷歇均值函数建立了中心极限定理，确保了渐近正态性。
• 当流形具有非负曲率时，RFPCA通过切空间近似有效控制了残差变异。
• 在模拟和真实数据（如飞行路径和果蝇行为）中，RFPCA在轨迹恢复方面显著优于无约束FPCA。
• 与经典FPCA相比，RFPCA得到的函数主成分得分在分类任务中具有更好的预测能力。
• 该方法成功地将纵向组成数据映射为球面轨迹，为这类数据的分析提供了一套新颖的框架。