Résumé Technique : Théorèmes d'Injection de Sobolev et Mesures Sous-analytiques

1. Problématique

L'article s'attaque à la question des espaces de Sobolev définis par rapport à des mesures singulières, en particulier celles issues de la mesure de push-forward (image directe) d'une mesure sous-analytique par une application sous-analytique.

Dans le cadre de l'apprentissage automatique (machine learning) et des méthodes à noyaux (kernel methods), les données sont souvent modélisées comme des variables aléatoires distribuées selon une densité qui peut être singulière ou concentrée sur des variétés de dimension inférieure. Le problème mathématique central est que les théorèmes d'injection de Sobolev classiques (comme celui de Morrey) ne s'appliquent pas directement lorsque la géométrie du support présente des singularités complexes (comme des cuspides ou des "cornes") ou lorsque la densité de la mesure s'annule de manière non uniforme.

L'objectif est de garantir que les fonctions de ces espaces de Sobolev possèdent une régularité suffisante (continuité de Hölder ou caractère Lipschitz) pour permettre la construction de noyaux de Hilbert utilisables.

2. Méthodologie

L'auteur utilise la géométrie sous-analytique globale pour traiter la singularité des mesures et des domaines. La méthodologie repose sur plusieurs piliers :

• Classification des mesures : L'auteur introduit la notion de mesure sous-analytique globale (mesures dont la densité est une somme finie de fonctions sous-analytiques sur des variétés sous-analytiques). Il démontre que la mesure de push-forward d'une telle mesure reste dans une classe de fonctions "bienveillantes" notée $I(M)$, qui permet de contrôler la croissance et l'annulation de la densité.
• Structure conique Lipschitz : Pour gérer les singularités géométriques, l'article s'appuie sur l'existence de rétractions coniques Lipschitz (théorème de structure conique de Lipschitz). Cela permet de décomposer localement le domaine en structures radiales contrôlables.
• Induction dimensionnelle : La preuve des théorèmes d'injection est construite par récurrence sur la dimension de la variété, en utilisant des estimations locales sur les sphères (mesures de surface) et en intégrant radialement.
• Utilisation de l'inégalité de Łojasiewicz : Cet outil est crucial pour quantifier la vitesse à laquelle la densité ou la distance aux singularités peut tendre vers zéro, permettant ainsi de trouver des exposants d'injection ($\beta$) qui dépendent de la géométrie mais restent indépendants de $p$.

3. Contributions Clés et Résultats

L'article apporte trois résultats majeurs :

1. Théorème d'injection de Sobolev (Théorème 3.3) : Pour une mesure $f \in I(M)$ sur une variété sous-analytique bornée, il existe un $\beta > 0$ tel que l'espace de Sobolev $W^{1,p}_f(M)$ s'injecte continûment dans $L^{p+\beta}_f(M)$. Contrairement au cas classique, l'exposant de gain de régularité dépend de la géométrie des singularités et de la densité.
2. Injection dans l'espace Lipschitz (Corollaire 3.5) : L'auteur prouve que pour un $k$ suffisamment grand, l'espace de Sobolev $W^{k,p}_{\Phi^*\mu}(\Omega)$ s'injecte continûment dans l'espace des fonctions Lipschitz par rapport à la métrique interne ($\check{C}^{0,1}(X)$). C'est un résultat fort car il traite des domaines avec des cuspides où la métrique euclidienne ne suffit pas à capturer la régularité.
3. Construction de noyaux Lipschitz (Corollaire 3.6) : En utilisant l'injection de Dirac dans l'espace de Sobolev, l'auteur démontre qu'on peut construire des noyaux de Hilbert (RKHS) qui sont Lipschitz continus par rapport à la métrique interne du support des données.

4. Signification et Applications

La portée de ce travail est double :

• Sur le plan mathématique : Il comble un vide dans la théorie des espaces de Sobolev en étendant les résultats de Adams et de la géométrie sous-analytique aux mesures de push-forward. Il fournit un cadre rigoureux pour travailler sur des variétés singulières sans restreindre la géométrie aux seuls cônes métriques.
• Sur le plan de l'apprentissage automatique : Il offre une justification théorique pour l'utilisation de noyaux sur des variétés de données complexes (manifold learning). En garantissant que les fonctions de l'espace de Hilbert sont Lipschitz, l'auteur assure une meilleure stabilité des algorithmes et aide à résoudre le problème du surapprentissage (overfitting) en contrôlant la complexité des solutions par la régularité.