Learning Tangent Bundles and Characteristic Classes with Autoencoder Atlases

Resumen Técnico: Aprendizaje de Fibrados Tangentes y Clases Características con Atlas de Autoencoders

Enunciado del Problema
El aprendizaje de variedades (manifold learning) busca recuperar representaciones de baja dimensión de datos de alta dimensión que reflejen la geometría subyacente. El paradigma dominante se basa en incrustaciones euclidianas globales (por ejemplo, mediante autoencoders, Isomap o mapas de difusión). Sin embargo, este enfoque encuentra obstrucciones topológicas fundamentales: las variedades con topología no trivial (como el plano proyectivo real $\mathbb{R}P^2$ o la botella de Klein) no pueden incrustarse en un espacio euclidiano de baja dimensión sin auto-intersección o pérdida de estructura. Además, incluso cuando existen incrustaciones, las coordenadas euclidianas estándar no codifican invariantes diferencial-topológicos como el fibrado tangente, las funciones de transición o las clases características, los cuales son esenciales para distinguir variedades orientables de no orientables. Los métodos existentes para estimar la dimensión intrínseca o los espacios tangentes no resuelven el problema más profundo de representar variedades donde las coordenadas globales están topológicamente prohibidas.

Metodología
Los autores proponen un marco que cambia de ver a los autoencoders como generadores de una única incrustación global a tratar una colección de pares codificador-decodificador entrenados localmente como un atlas aprendido sobre la variedad de datos.

1. Atlas de Autoencoders: En lugar de un único mapa, el método emplea una colección de cartas $\mathcal{A} = \{(U_i, E_i, D_i)\}$, donde $U_i$ son conjuntos abiertos que cubren la variedad $M$, $E_i$ son codificadores que mapean a un espacio latente $\mathbb{R}^d$, y $D_i$ son decodificadores.
2. Mapas de Transición y Cociclos: Para cartas superpuestas $U_i \cap U_j$, se definen los mapas de transición como $T_{ji} = E_j \circ D_i$. El análisis teórico muestra que la consistencia de reconstrucción ($D_i \circ E_i \approx \text{Id}$) induce canónicamente que estos mapas de transición satisfagan la condición de cociclo ($T_{ki} = T_{kj} \circ T_{ji}$) en superposiciones triples.
3. Linealización y Fibrados Vectoriales: Al linealizar los mapas de transición no lineales, los autores construyen funciones de transición lineales $g_{ji}(x) = d(T_{ji})_{E_i(x)}$. Estas funciones satisfacen la condición de cociclo para fibrados vectoriales, permitiendo la construcción de un fibrado tangente aprendido $T_\mathcal{A}$ sobre $M$. Cuando la dimensión latente coincide con la dimensión intrínseca y el atlas es suave, $T_\mathcal{A}$ es isomorfo al fibrado tangente verdadero $TM$.
4. Detección de Orientabilidad mediante Clases de Stiefel-Whitney: La primera clase de Stiefel-Whitney $w_1(T_\mathcal{A}) \in H^1(M; \mathbb{Z}/2)$, que detecta la orientabilidad, se calcula directamente a partir del atlas aprendido. Específicamente, el signo del determinante jacobiano de los mapas de transición, $\omega_{ji}(x) = \text{sign}(\det g_{ji}(x))$, forma un 1-cociclo de Čech. La variedad es orientable si y solo si este cociclo es un coborde (es decir, se pueden asignar signos consistentes a las cartas tales que $\omega_{ji} = \nu_j \cdot \nu_i$).
5. Estabilidad bajo Aproximación: Reconociendo que las redes neuronales logran solo una reconstrucción aproximada, el artículo desarrolla una teoría de estabilidad. Demuestra que el cociclo de signos permanece como un cociclo de Čech válido bajo límites explícitos en el error de reconstrucción ($\epsilon$) y el error diferencial ($\eta$), siempre que los jacobianos de transición permanezcan no degenerados ($\delta > 0$). Un refinamiento clave (Teorema 4.12) muestra que la estabilidad se mantiene localmente en "triángulos del nervio" incluso si se violan los límites globales, siempre que una carta "mala" pueda reindexarse a una posición donde su error de reconstrucción no afecte la condición del cociclo.
6. Restricciones en el Número de Cartas: El artículo establece que el número mínimo de cartas requerido está determinado por el tipo de recubrimiento de la variedad (la cardinalidad mínima de un buen recubrimiento), en lugar de la estructura del fibrado tangente. Las clases características no triviales obstruyen las representaciones de una sola carta, pero un fibrado tangente trivial no garantiza que una sola carta sea suficiente para variedades compactas.

Contribuciones Clave

1. Formalización de Atlas de Autoencoders: Los autores formalizan el concepto de un atlas de autoencoders, demostrando que la consistencia de reconstrucción implica la condición de cociclo para los mapas de transición y permitiendo la construcción de un fibrado vectorial aprendido.
2. Detección Algorítmica de Orientabilidad: Proporcionan un criterio algorítmico directo para detectar la orientabilidad calculando la primera clase de Stiefel-Whitney a partir de los signos de los determinantes jacobianos de las transiciones aprendidas. Esto reduce el problema a verificar si un cociclo de signos es un coborde (equivalente a colorear con 2 colores el grafo del nervio).
3. Teoría de Estabilidad para Atlas Aproximados: El artículo demuestra que los invariantes topológicos derivados del atlas son estables bajo la reconstrucción aproximada inherente al entrenamiento de redes neuronales. Esto incluye un teorema de estabilidad global y un teorema local más fuerte "por tripleta" que explica la detección exitosa incluso cuando se violan los límites globales de error.
4. Límites Inferiores Topológicos: El trabajo identifica el tipo de recubrimiento de la variedad como el límite inferior fundamental sobre el número de cartas de autoencoder requeridas, vinculando la complejidad arquitectónica del modelo directamente con la topología de los datos.
5. Diseño de Función de Pérdida: Los autores demuestran que la regularización explícita del cociclo es innecesaria; minimizar únicamente la pérdida de reconstrucción es suficiente para llevar el error del cociclo a cero, ya que el error del cociclo está acotado por el error de reconstrucción de la carta intermedia en una tripleta.

Resultados Experimentales
El marco se validó en cuatro conjuntos de datos con orientabilidad conocida:

• Esfera 2 ($S^2$): Una variedad orientable. El método detectó correctamente la orientabilidad (la prueba de coborde pasó) utilizando un atlas de 4 cartas.
• Cinta de Möbius: Una variedad no orientable con superposiciones desconectadas. El método detectó correctamente la no orientabilidad (la prueba de coborde falló) utilizando un atlas de 2 cartas, identificando el cambio de signo a través de los dos componentes de superposición.
• Botella de Klein: Una variedad no orientable en $\mathbb{R}^4$. Utilizando un atlas de 8 cartas, el método detectó correctamente la no orientabilidad en ensayos convergentes. Los experimentos destacaron la utilidad del teorema de estabilidad local, que permitió la detección incluso cuando una carta violaba el límite global de error diferencial ($\eta < 1$).
• $\mathbb{R}P^2$ (Parches de Líneas): Una variedad no orientable representada como imágenes de 100 dimensiones. A pesar de la alta codimensión y grandes errores diferenciales en el lado latente ($\eta_{lat} \gg 1$), el método detectó correctamente la no orientabilidad en 4 de cada 5 ensayos, sugiriendo que el error restringido a la tangente (que gobierna la teoría) permaneció controlado a pesar del fallo del proxy de alta dimensión.

En todos los ensayos convergentes (17 de 20 ejecuciones totales), la prueba de coborde logró una precisión del 100% en la detección de la clase de orientabilidad correcta.

Significado
El artículo afirma cerrar la brecha entre el aprendizaje de variedades moderno y la topología diferencial clásica. Al tratar las representaciones aprendidas como atlas, los autores demuestran que las redes neuronales pueden utilizarse para calcular invariantes diferencial-topológicos (específicamente la primera clase de Stiefel-Whitney) directamente a partir de los datos. Esto proporciona una base teórica rigurosa para comprender por qué las arquitecturas de múltiples cartas son necesarias para datos topológicamente no triviales y ofrece un método práctico y algorítmico para detectar la orientabilidad sin requerir cálculos topológicos explícitos durante el entrenamiento. El trabajo sugiere que la "obstrucción" a las incrustaciones globales no es un fallo del algoritmo de aprendizaje, sino una característica de la topología de los datos, la cual puede capturarse y analizarse fielmente a través de la lente de los fibrados vectoriales y las clases características.