Geodesic Interpolation on the Grassmann Manifold: GLERP and Recursive GIDER Interpolants

Resumen Técnico: Interpolación Geodésica en la Variedad de Grassmann

Planteamiento del Problema
El artículo aborda el desafío de interpolar datos que residen en la variedad de Grassmann, $\text{Gr}(r, m)$, el espacio de todos los subespacios lineales de dimensión $r$ en $\mathbb{R}^m$. En muchas aplicaciones de computación científica y análisis de datos, los datos con valores matriciales representan subespacios en lugar de bases fijas. Por consiguiente, dos matrices $Y$ y $YR$ (donde $R \in O(r)$) representan el mismo punto en la variedad. Los métodos de interpolación euclídea estándar fallan en este contexto porque no son invariantes bajo esta acción ortogonal por la derecha; interpolar directamente las entradas de las matrices destruye la estructura geométrica. El objetivo es desarrollar un marco de interpolación que sea intrínseco a la variedad, invariante respecto a la base y capaz de lograr una precisión de alto orden para curvas con valores de subespacio suaves.

Metodología
Los autores proponen un marco construido sobre la geometría intrínseca de la variedad de Grassmann, utilizando específicamente los mapas exponencial y logaritmo para definir trayectorias geodésicas.

1. GLERP (Interpolación Lineal de Grassmann):
   El bloque de construcción fundamental es GLERP, un análogo de la interpolación lineal esférica (SLERP) para Grassmann. Para dos subespacios cercanos $Y_0$ y $Y_1$, GLERP se define como:
   $$\text{GLERP}(Y_0, Y_1; \tau) = \text{Exp}_{Y_0}(\tau \text{Log}_{Y_0}(Y_1)), \quad 0 \le \tau \le 1$$
   Esto sigue la geodésica de velocidad constante que une los dos puntos. El método se basa en la descomposición en valores singulares (SVD) del vector tangente derivado del mapa logaritmo para calcular la interpolación de forma explícita.

2. GIDER$_n$ (Interpolación Geodésica Recursiva):
   Para lograr una precisión de mayor orden, los autores definen una familia recursiva de interpolantes, GIDER$_n$, basada en el algoritmo de Neville. En el algoritmo de Neville euclídeo estándar, se utilizan combinaciones afines; aquí, cada paso afín es reemplazado por una operación GLERP.
   $$I^k_j(t) = \text{GLERP}\left(I^{k-1}_j(t), I^{k-1}_{j+1}(t); \lambda^k_j(t)\right)$$
   donde $\lambda^k_j(t)$ es la coordenada baricéntrica estándar. El interpolante final es $I^n_0(t)$. Esta construcción permite la extrapolación geodésica (donde el parámetro $\lambda$ puede caer fuera de $[0, 1]$), siempre que los subespacios permanezcan dentro del vecindad de inyectividad (es decir, los ángulos principales permanecen estrictamente menores que $\pi/2$).

3. Medición de Error:
   El artículo enfatiza métricas de error invariantes respecto a la base. Utiliza:

   • Distancia Intrínseca de Grassmann: Basada en los ángulos principales $\theta_j$, $d_{\text{Gr}} = (\sum \theta_j^2)^{1/2}$.
   • Error de Matriz de Proyección: Basado en la norma de Frobenius de la diferencia entre proyectores ortogonales, $\|P - \hat{P}\|_F$.
   • Error Alineado por Procrustes: Minimizando la distancia de Frobenius sobre todas las transformaciones ortogonales.

Contribuciones Clave

• Definición de GLERP: El artículo introduce formalmente GLERP como la interpolación geodésica de velocidad constante en $\text{Gr}(r, m)$ y demuestra que es de segundo orden de precisión para curvas suaves bajo supuestos estándar de vecindad normal.
• Construcción Recursiva GIDER$_n$: Los autores definen un esquema de interpolación recursivo de mayor orden que coincide exactamente con $n+1$ puntos de datos. Demuestran que, para curvas $C^{n+1}$, GIDER$_n$ logra una precisión local de orden $(n+1)$.
• Condiciones de Admisibilidad: Se proporciona una condición suficiente cuantitativa para asegurar que la construcción recursiva (incluyendo extrapolaciones intermedias) permanezca dentro de la vecindad de inyectividad, evitando que los ángulos principales se acerquen al lóbulo de corte ($\pi/2$). Esto se garantiza para un muestreo suficientemente denso de curvas suaves.
• Análisis Comparativo: El artículo proporciona una comparación detallada entre GIDER$_n$, la Interpolación en el Espacio Tangente (TSI) e Interpolación de Matriz de Proyección (PROJ).
  • TSI mapea los datos a un único espacio tangente de referencia, interpola y mapea de vuelta. Es eficiente pero depende de la elección de la referencia.
  • PROJ interpola proyectores en el espacio ambiente y proyecta de vuelta mediante autovectores. Es extrínseco y la base es invariante, pero es sensible a las brechas espectrales.
  • GIDER$_n$ es totalmente intrínseco y recursivo, evitando el compromiso con un único espacio tangente, lo que lo hace adecuado para extensiones ENO (Esencialmente No Oscilatorias).

Resultados
Experimentos numéricos en $\text{Gr}(2, 5)$ utilizando una curva suave no geodésica confirman las tasas de convergencia teóricas:

• Para un orden de interpolación $n$, el error escala como $O(h^{n+1})$.
• GIDER$_n$ y TSI producen errores casi indistinguibles en regímenes locales suaves, confirmando que ambos se reducen localmente a la interpolación polinómica en coordenadas tangentes.
• PROJ alcanza el mismo orden formal de precisión, pero exhibe constantes de error más grandes en los ejemplos probados, lo cual es consistente con su naturaleza extrínseca.
• Los resultados resaltan que las mediciones de distancia intrínseca pueden volverse sensibles al error de redondeo de punto flotante en órdenes muy altos (debido al cálculo de $\arccos$ de los ángulos principales cerca de 1), mientras que los errores de matriz de proyección proporcionan un diagnóstico más estable para la convergencia de alto orden.

Significancia y Reivindicaciones
El artículo afirma establecer un marco geomético riguroso para interpolar datos de subespacios que respetan la estructura de la variedad. Su principal significancia radica en:

1. Invariancia de la Base: Proporcionar un método que es matemáticamente consistente independientemente del representante matricial elegido para un subespacio.
2. Estructura Geodésica Recursiva: Ofrecer un análogo de la interpolación de Neville directamente en la variedad que no depende de un gráfico de referencia fijo, lo cual es crucial para manejar datos que pueden no ser representables globalmente en un único espacio tangente.
3. Fundamento para ENO: La estructura recursiva se extiende naturalmente a procedimientos Grassmann ENO (GENO), donde se seleccionan estenciles candidatos basados en la variación geométrica intrínseca para suprimir oscilaciones cerca de características no suaves.

Los autores señalan que, si bien GIDER$_n$ y TSI se comportan de manera similar en pruebas locales suaves, la naturaleza geodésica recursiva de GIDER$_n$ ofrece una ventaja estructural distintiva para problemas de reconstrucción adaptativos y no lineales donde un único espacio tangente de referencia puede ser insuficiente. El artículo concluye delineando el potencial para extensiones GENO como una dirección para trabajos futuros.