Approximating maps into manifolds with lower curvature bounds

Titolo: Approssimazione di mappe in varietà con limiti inferiori di curvatura

Enunciato del problema
La teoria dell'approssimazione si concentra tradizionalmente su funzioni che mappano in spazi lineari (ad esempio, $\mathbb{R}^n$). Tuttavia, molte applicazioni in ingegneria, statistica e fisica coinvolgono funzioni i cui valori risiedono su varietà riemanniane (ad esempio, matrici ortogonali, matrici simmetriche definite positive o sottospazi). L'applicazione ingenua di schemi di approssimazione lineare standard componente per componente fallisce nel preservare la struttura geometrica intrinseca di tali varietà. Sebbene esistano vari metodi per casi specifici (come gli spline su varietà o la regressione), è necessaria una struttura generale che possa sfruttare le tecniche di approssimazione lineare esistenti fornendo al contempo limiti di errore intrinseci e rigorosi che tengano conto della geometria della varietà.

Metodologia
Gli autori propongono un modello generale in tre fasi per approssimare una mappa $f: \mathcal{R} \to \mathcal{M}$, dove $\mathcal{R}$ è un dominio e $\mathcal{M}$ è una varietà riemanniana:

1. Linearizzazione: Si seleziona un punto base $p \in \mathcal{M}$ (scelto euristicamente come media di Karcher dei punti campionati) per definire un grafico di coordinate normali.
2. Pullback e Approssimazione: Si mappano i valori della funzione nello spazio tangente $T_p\mathcal{M}$ utilizzando il logaritmo della varietà ($\log_p$). Questo trasforma il problema nell'approssimazione di una mappa vettoriale $g = \log_p \circ f$. A questo punto, viene applicato qualsiasi schema di approssimazione lineare standard (ad esempio, interpolazione, regressione, decomposizioni tensoriali) a $g$ per produrre un'approssimazione $\hat{g}$.
3. Pushforward: Si mappa l'approssimazione nuovamente sulla varietà utilizzando l'esponenziale della varietà ($\exp_p$), ottenendo l'approssimante finale $\hat{f} = \exp_p \circ \hat{g}$.

Per analizzare l'errore, gli autori utilizzano il teorema di Toponogov, un teorema di confronto riemanniano. Questo teorema mette in relazione la geometria dei triangoli geodetici sulla varietà target $\mathcal{M}$ con quella di una varietà modello $N$ con curvatura sezionale costante $H$. Assumendo un limite inferiore $H$ sulla curvatura sezionale di $\mathcal{M}$, gli autori derivano limiti sulla distanza intrinseca tra la funzione vera $f$ e l'approssimazione $\hat{f}$ basandosi sull'errore nella l'approssimazione nello spazio tangente.

Contributi chiave

• Teorema 3 (Contributo principale): Il documento stabilisce un limite superiore rigoroso per l'errore di approssimazione in avanti $d_{\mathcal{M}}(f(x), \hat{f}(x))$ in termini dell'errore nello spazio tangente $\epsilon = \|g(x) - \hat{g}(x)\|_p$ e del limite inferiore $H$ della curvatura sezionale.
  • Se $H \geq 0$ (curvatura non negativa), l'errore sulla varietà è garantito non essere peggiore dell'errore nello spazio tangente ($d_{\mathcal{M}} \leq \epsilon$).
  • Se $H < 0$ (curvatura negativa), l'errore è limitato da una funzione che coinvolge $\epsilon$, $H$ e la norma massima $\sigma$ dei vettori tangenti nel grafico.
• Estensione alle Ritrazioni (Corollario 4): Il framework viene esteso ai casi in cui le mappe esponenziale e logaritmo sono sconosciute o costose, consentendo l'uso di ritrazioni (approssimazioni della mappa esponenziale) con termini di errore aggiuntivi.
• Analisi del Numero di Condizione (Proposizione 6): Gli autori analizzano il numero di condizione della mappa dallo spazio tangente alla varietà, mostrando che esso cresce esponenzialmente con il prodotto della norma del vettore tangente e la radice quadrata della curvatura assoluta. Ciò evidenzia l'importanza di scegliere un punto base $p$ che minimizzi la norma dei vettori tangenti (ovvero minimizzando $\sigma$).
• Implementazione (ManiFactor.jl): Gli autori implementano questo framework in un pacchetto Julia, ManiFactor.jl. Per il caso specifico dell'approssimazione multivariata, impiegano l'interpolazione di Chebyshev tensorizzata combinata con una SVD di ordine superiore sequenzialmente troncata (ST-HOSVD) per gestire la "maledizione della dimensionalità" e costruire approssimazioni sparse nei dati.

Risultati
Il documento valida i limiti teorici attraverso due esperimenti numerici:

1. Sottospazi di Krylov: Approssimazione di una mappa nella varietà di Grassmann (che rappresenta i sottospazi) derivante da un'equazione differenziale parametrizzata. I risultati confermano che l'errore misurato aderisce al limite previsto dal Teorema 3.
2. Approssimazione a basso rango dinamico: Approssimazione di una mappa nella varietà di Segre (matrici di rango 1). Anche in questo caso, l'errore sperimentale si allinea con il limite teorico.
3. Efficienza delle Ritrazioni: Nell'esempio della varietà di Grassmann, gli autori hanno confrontato la mappa esponenziale standard con le ritrazioni QR e polari. Sebbene le prestazioni dell'errore siano state virtualmente identiche, le ritrazioni hanno offerto un significativo incremento della velocità di valutazione (circa il 35-40% più veloci).

Significato e Rivendicazioni
Il documento afferma che l'approssimabilità delle mappe in varietà riemanniane è fondamentalmente legata alla curvatura della varietà stessa. Il significato primario risiede nel fornire un algoritmo costruttivo e general-purpose che:

• Permette il riutilizzo diretto di mature tecniche di approssimazione lineare per dati con valori su varietà.
• Fornisce limiti di errore espliciti e intrinseci derivati esclusivamente da un limite inferiore della curvatura sezionale, senza richiedere la conoscenza dettagliata della geometria globale specifica della varietà oltre a tale limite.
• Garantisce che, per le varietà con curvatura non negativa (come i gruppi di Lie compatti), l'errore di approssimazione non si degradi rispetto al caso lineare.

Gli autori osservano che, sebbene la scelta del punto di linearizzazione $p$ sia euristica (basata sulla media di Karcher), il framework teorico è valido per qualsiasi punto in cui l'immagine della funzione rientri in un grafico di coordinate normali geodesicamente convesso. Il lavoro è presentato come un passo verso una modellazione a ordine ridotto più robusta e l'analisi dei dati su varietà, con il pacchetto ManiFactor.jl che funge da strumento pratico per tali applicazioni.