[论文解读] Radial basis approximation of tensor fields on manifolds: From operator estimation to manifold learning

John Harlim, Shixiao W. Jiang+1 more|arXiv (Cornell University)|Aug 17, 2022

Composite Material Mechanics被引用 4

一句话总结

本文提出一种对称的径向基函数（RBF）框架，用于从随机采样的点云中近似流形上的微分算子——特别是拉普拉斯-贝尔特拉米算子和向量拉普拉斯算子。通过利用环境空间中的RBF插值和局部SVD进行切空间估计，该方法确保了真实、非负的谱和正交特征向量，从而克服了非对称公式中出现的谱污染问题。

ABSTRACT

In this paper, we study the Radial Basis Function (RBF) approximation to differential operators on smooth tensor fields defined on closed Riemannian submanifolds of Euclidean space, identified by randomly sampled point cloud data. {The formulation in this paper leverages a fundamental fact that the covariant derivative on a submanifold is the projection of the directional derivative in the ambient Euclidean space onto the tangent space of the submanifold. To differentiate a test function (or vector field) on the submanifold with respect to the Euclidean metric, the RBF interpolation is applied to extend the function (or vector field) in the ambient Euclidean space. When the manifolds are unknown, we develop an improved second-order local SVD technique for estimating local tangent spaces on the manifold. When the classical pointwise non-symmetric RBF formulation is used to solve Laplacian eigenvalue problems, we found that while accurate estimation of the leading spectra can be obtained with large enough data, such an approximation often produces irrelevant complex-valued spectra (or pollution) as the true spectra are real-valued and positive. To avoid such an issue,} we introduce a symmetric RBF discrete approximation of the Laplacians induced by a weak formulation on appropriate Hilbert spaces. Unlike the non-symmetric approximation, this formulation guarantees non-negative real-valued spectra and the orthogonality of the eigenvectors. Theoretically, we establish the convergence of the eigenpairs of both the Laplace-Beltrami operator and Bochner Laplacian {for the symmetric formulation} in the limit of large data with convergence rates. Numerically, we provide supporting examples for approximations of the Laplace-Beltrami operator and various vector Laplacians, including the Bochner, Hodge, and Lichnerowicz Laplacians.

研究动机与目标

• 开发一种基于RBF的稳健方法，用于从随机采样的数据点近似流形上的微分算子。
• 解决非对称RBF公式中出现的谱污染问题，该问题虽导致真实谱为实数且非负，却会产生虚假的复特征值。
• 在大数据极限下，建立拉普拉斯-贝尔特拉米算子和博赫纳拉普拉斯算子特征对的理论收敛性。
• 在无需显式参数化的情况下，利用RBF实现对流形上向量拉普拉斯算子（如霍奇算子、李赫诺维奇算子）的精确近似。
• 提供一个统一的框架，通过点云数据上的RBF将算子估计与流形学习联系起来。

提出的方法

• 在环境欧氏空间中使用RBF插值，将定义在流形上的张量场延拓，以实现方向导数的计算。
• 通过局部SVD将环境空间中的方向导数投影到局部切空间，以近似流形上的协变导数。
• 引入一种基于弱形式的对称RBF离散化方法来处理拉普拉斯算子，以确保特征值为实数、非负，且特征向量正交。
• 采用改进的二阶局部SVD技术，从随机采样的点云中估计局部切空间。
• 通过希尔伯特空间分析建立理论收敛性，将离散RBF算子与紧致黎曼流形上的连续微分算子联系起来。
• 数值验证包括在R^21中的二维环面等合成流形上对拉普拉斯-贝尔特拉米算子和多种向量拉普拉斯算子的近似。

实验结果

研究问题

• RQ1 对称RBF离散化能否消除流形上拉普拉斯算子特征值近似中的谱污染？
• RQ2 在数据密度增加时，RBF特征对的收敛速率如何变化？
• RQ3 基于局部SVD的切空间估计能否可靠地支持在随机采样流形上的RBF近似？
• RQ4 与图基方法（如扩散图）相比，对称RBF公式在近似特征函数和特征值方面表现如何？
• RQ5 在无先验参数化的情况下，RBF在多大程度上能近似流形上的一般向量拉普拉斯算子（如博赫纳算子、霍奇算子、李赫诺维奇算子）？

主要发现

• 对称RBF公式保证了实数、非负的特征值和正交的特征向量，解决了非对称RBF近似中固有的谱污染问题。
• 在大数据极限下，拉普拉斯-贝尔特拉米算子和博赫纳拉普拉斯算子的特征对理论收敛性已建立，且推导出了明确的收敛速率。
• 在R^21中的二维环面上的数值实验表明，与采用不同K和ε参数的扩散图相比，对称RBF（SRBF）方法在特征值和特征向量估计方面表现出具有竞争力或更优的精度。
• 当K=100且ε自动调优时，SRBF方法在特征向量估计方面（例如，模式k=13）表现最准确，优于手动和自动调优的扩散图配置。
• 尽管采用K=400和ε=0.2的扩散图在非主导特征值的精度上有所提升，但其主导特征值估计性能下降，且无法生成定性准确的特征向量，而SRBF则无此问题。
• SRBF方法在不同参数选择下均保持一致的特征向量精度，证实了其在流形学习任务中的鲁棒性和可靠性。