Structured Tensor Approximation from Lateral Slice Sampling via Basis and Manifold Priors

Resumen Técnico: Aproximación de Tensores Estructurados mediante Muestreo de Rebanadas Laterales vía Priores de Base y Variedad

Formulación del Problema
El artículo aborda el problema de reconstruir un tensor de verdad fundamental de tercer orden $\mathcal{H} \in \mathbb{R}^{m \times n \times m}$ a partir de un número limitado de rebanadas laterales observadas. A diferencia de los problemas estándar de completitud de tensores que asumen un muestreo de entradas o fibras aleatorias, este trabajo se centra en el muestreo estructurado de rebanadas laterales, donde solo está disponible un subconjunto de rebanadas $\mathcal{C} \in \mathbb{R}^{m \times d \times m}$ (con $d \ll n$). Este escenario está motivado por aplicaciones en la química cuántica, específicamente en la reconstrucción de matrices hessianas a lo largo de una trayectoria de reacción, donde los costos computacionales limitan las evaluaciones a puntos específicos de la trayectoria en lugar de observaciones aleatorias.

Los autores postulan que tales tensores exhiben dos estructuras complementarias:

1. Estructura Global: Las rebanadas frontales evolucionan suavemente a lo largo de una trayectoria física (por ejemplo, la coordenada de reacción) y pueden representarse mediante funciones de base estructuradas (por ejemplo, polinomios de Legendre o la Transformada Discreta de Coseno).
2. Estructura Local: Las rebanadas vecinas exhiben una fuerte similitud, lo que sugiere una estructura de variedad (manifold) de baja dimensión subyacente.

Metodología: Marco BMTA
El algoritmo propuesto de Aproximación de Tensores con Priores de Base y Variedad (BMTA) integra estos dos priores estructurales en un marco de reconstrucción Tucker de bajo rango. El método procede en tres etapas:

1. Estimación de Coeficientes de Cuasi-Base:
   El algoritmo estima primero un tensor de coeficientes $\mathcal{Q}$ asumiendo que el tensor admite una representación de base de baja dimensión a lo largo del segundo modo: $\mathcal{H} \approx \mathcal{Q} \times_2 \mathcal{S}$, donde $\mathcal{S}$ es una matriz de base conocida. Este paso se formula como un problema de regresión tensorial, produciendo una solución de forma cerrada utilizando la inversa de Moore–Penrose: $\hat{\mathcal{Q}} = \text{fold}_2(\Psi^\dagger \mathcal{C}_{(2)}) \times_2 \mathcal{S}^\dagger$.

2. Interpolación Guiada por la Variedad:
   Para capturar las relaciones geométricas locales, el algoritmo construye una matriz de interpolación $\hat{\Lambda}_\Omega$. Esto se logra computando las distancias de pares entre los puntos de la trayectoria (coordenadas de reacción) y aplicando un núcleo gaussiano (RBF) para estimar los pesos de las rebanadas no muestreadas basándose en las rebanadas muestreadas vecinas. Esto modela la evolución del tensor como una variedad suave.

3. Optimización Tucker de Bajo Rango:
   La etapa final optimiza conjuntamente los factores Tucker (tensor núcleo $\mathcal{G}$ y matrices de factor $\mathcal{X}_1, \mathcal{X}_2$) para minimizar una función objetivo compuesta. Esta función equilibra el ajuste al prior de cuasi-estructura ($\hat{\mathcal{Q}} \times_2 \mathcal{S}$) y la estimación de interpolación guiada por la variedad ($\mathcal{C} \times_2 \hat{\Lambda}_\Omega$):
   $$\min_{\hat{\mathcal{G}}, \hat{\mathcal{X}}_1, \hat{\mathcal{X}}_2} \alpha \|\hat{\mathcal{Q}} \times_2 \mathcal{S} - \mathcal{H}_{\text{recon}}\|_F^2 + (1-\alpha) \|\mathcal{C} \times_2 \hat{\Lambda}_\Omega - \mathcal{H}_{\text{recon}}\|_F^2$$
   donde $\mathcal{H}_{\text{recon}} = \hat{\mathcal{G}} \times_1 \hat{\mathcal{X}}_1 \times_2 \hat{\mathcal{X}}_2 \times_3 \hat{\mathcal{X}}_1$. La optimización se realiza mediante descenso de gradiente alternante.

Análisis Teórico
El artículo proporciona un límite de error de reconstrucción no asintótico (Teorema 1) que caracteriza la interacción entre la convergencia de la optimización, la complejidad de muestreo y el desajuste del modelo. Los hallazgos teóricos clave incluyen:

• Descomposición del Error: El error de reconstrucción se descompone en un término de optimización contractivo (que decae geométricamente con las iteraciones) y un error de aproximación irreducible inducido por el desajuste del modelo (error de base y error de interpolación).
• Complejidad de Muestreo: El análisis establece que el número de rebanadas muestreadas $d$ debe escalar con la dimensión intrínseca del subespacio de la base ($n, l$) para asegurar que el operador de muestreo satisfaga una propiedad de incrustación de subespacio, controlando así la distorsión introducida por las observaciones parciales.
• Convergencia: Bajo condiciones de inicialización específicas (dentro de un cuenca de atracción) y tamaños de paso apropiados, el algoritmo converge linealmente a un entorno de la verdad fundamental.

Resultados Experimentales
Los autores validan BMTA en conjuntos de datos sintéticos y del mundo real:

• Datos Sintéticos: Los experimentos en tensores generados a partir de superposiciones de componentes polinómicos e interpolativos muestran que BMTA supera consistentemente a los modelos de referencia (descomposición Tucker, TensorCUR y variantes de ablación que usan solo un prior) en regímenes de muestreo bajo a moderado. BMTA demuestra robustez ante el ruido y el desajuste del modelo.
• Reconstrucción de Mapas de Radio: En una tarea sintética de reconstrucción de mapa de radio espacio-temporal, BMTA logra un error de reconstrucción menor que los métodos competidores cuando el número de rebanadas observadas es limitado, preservando eficazmente los patrones espaciales que otros métodos suavizan o distorsionan.
• Química Cuántica: Aplicado a matrices hessianas reales de sistemas de reacción química (por ejemplo, CF3CH3, TSoxo), BMTA logra el error de reconstrucción más bajo en comparación con los métodos de solo Polinomio, solo Interpolación, Tucker y TensorCUR cuando solo se observan 5 rebanadas ($d=5$).

Significancia y Reivindicaciones
El artículo afirma que BMTA ofrece una mejora significativa sobre los métodos de aproximación de tensores existentes, específicamente en escenarios restringidos por el muestreo de rebanadas laterales estructuradas. Su contribución principal es la integración de priores complementarios (globales de base y locales de variedad), lo que permite una reconstrucción precisa incluso cuando el número de observaciones es demasiado pequeño para que los métodos de bajo rango estándar estimen los subespacios de manera fiable. El trabajo establece que aprovechar la información lateral específica del dominio (como las coordenadas de reacción o las funciones de base conocidas) es crítico para recuperar datos tensoriales de alta dimensión bajo restricciones severas de muestreo. Los límites teóricos aclaran además los compromisos entre la densidad de muestreo, la precisión del modelo y la convergencia de la optimización.