Approximating maps into manifolds with lower curvature bounds

Titel: Benadering van afbeeldingen naar variëteiten met lagere kromming

Probleemstelling
Benaderingstheorie richt zich traditioneel op functies die naar lineaire ruimtes mappen (bijv. $\mathbb{R}^n$). Echter, veel toepassingen in engineering, statistiek en fysica betreffen functies waarvan de waarden op Riemanniaanse variëteiten liggen (bijv. orthogonale matrices, symmetrische positief definiete matrices, of subruimten). Het naïef toepassen van standaard lineaire benaderingsschema's componentgewijs faalt in het behoud van de intrinsieke geometrische structuur van deze variëteiten. Hoewel er diverse methoden bestaan voor specifieke gevallen (zoals manifold-splines of regressie), is er een behoefte aan een algemeen kader dat bestaande lineaire benaderingstechnieken kan benutten terwijl het tegelijkertijd rigoureuze, intrinsieke foutmarges biedt die rekening houden met de geometrie van de variëteit.

Methodologie
De auteurs stellen een algemeen driestaps-sjabloon voor om een afbeelding $f: \mathcal{R} \to \mathcal{M}$ te benaderen, waarbij $\mathcal{R}$ een domein is en $\mathcal{M}$ een Riemanniaanse variëteit:

1. Linearisatie: Selecteer een basispunt $p \in \mathcal{M}$ (heuristisch gekozen als het Karcher-gemiddelde van steekproeven) om een normale coördinatenkaart te definiëren.
2. Terugtrekking (Pullback) en Benadering: Breng de functiewaarden naar de raakruimte $T_p\mathcal{M}$ met behulp van de Riemanniaanse logaritme ($\log_p$). Dit transformeert het probleem naar het benaderen van een vectorwaardige afbeelding $g = \log_p \circ f$. Een standaard lineair benaderingsschema (bijv. interpolatie, regressie, tensorontbindingen) wordt toegepast op $g$ om een benadering $\hat{g}$ te produceren.
3. Voorwaartse projectie (Pushforward): Breng de benadering terug naar de variëteit met behulp van de Riemanniaanse exponentieel ($\exp_p$), wat resulteert in de uiteindelijke benadering $\hat{f} = \exp_p \circ \hat{g}$.

Om de fout te analyseren, maken de auteurs gebruik van de Toponogov-stelling, een Riemanniaanse vergelijkingstelling. Deze stelling relateert de geometrie van geodetische driehoeken op de doelvariëteit $\mathcal{M}$ aan die op een modelvariëteit $N$ met constante sectiekromming $H$. Door aan te nemen dat er een ondergrens $H$ is voor de sectiekromming van $\mathcal{M}$, leiden de auteurs grenzen af voor de intrinsieke afstand tussen de ware functie $f$ en de benadering $\hat{f}$ op basis van de fout in de raakruimte-benadering.

Belangrijkste Bijdragen

• Stelling 3 (Hoofdbijdrage): Het artikel stelt een rigoureuze bovengrens vast voor de voorwaartse benaderingsfout $d_{\mathcal{M}}(f(x), \hat{f}(x))$ in termen van de fout in de raakruimte $\epsilon = \|g(x) - \hat{g}(x)\|_p$ en de ondergrens $H$ van de sectiekromming.
  • Als $H \geq 0$ (niet-negatieve kromming), is de fout op de variëteit gegarandeerd niet slechter dan de fout in de raakruimte ($d_{\mathcal{M}} \leq \epsilon$).
  • Als $H < 0$ (negatieve kromming), wordt de fout begrensd door een functie die $\epsilon$, $H$ en de maximale norm $\sigma$ van de tangentiële vectoren in de kaart bevat.
• Extensie naar Retracties (Corollary 4): Het kader wordt uitgebreid naar gevallen waarin de exponentiële en logaritmische afbeeldingen onbekend of kostbaar zijn, waardoor retracties (benaderingen van de exponentiële afbeelding) met extra fouttermen kunnen worden gebruikt.
• Conditiegetal-analyse (Proposition 6): De auteurs analyseren het conditiegetal van de afbeelding van de raakruimte naar de variëteit, waarbij zij aantonen dat dit exponentieel groeit met het product van de norm van de tangentiële vector en de vierkantswortel van de absolute kromming. Dit benadrukt het belang van het kiezen van een basispunt $p$ dat de norm van de tangentiële vectoren minimaliseert (het minimaliseren van $\sigma$).
• Implementatie (ManiFactor.jl): De auteurs implementeren dit kader in een Julia-package, ManiFactor.jl. Voor het specifieke geval van multivariate benadering gebruiken zij getensoriseerde Chebyshev-interpolatie gecombineerd met een Sequentieel Getrunceerde Hogere-Orde Singularerheidsontbinding (ST-HOSVD) om de "vloek van dimensionaliteit" te beheersen en dataminimale benaderingen te construeren.

Resultaten
Het artikel valideert de theoretische grenzen via twee numerieke experimenten:

1. Krylov-subruimten: Het benaderen van een afbeelding naar de Grassmann-variëteit (die subruimten representeert) voortvloeiend uit een geparametriseerde differentiaalvergelijking. De resultaten bevestigen dat de gemeten fout voldoet aan de grens voorspeld door Stelling 3.
2. Dynamische Low-Rank Benadering: Het benaderen van een afbeelding naar de Segre-variëteit (rank-1 matrices). Opnieuw komt de experimentele fout overeen met de theoretische grens.
3. Efficiëntie van Retracties: In het Grassmann-voorbeeld vergeleken de auteurs de standaard exponentiële afbeelding met QR- en polaire retracties. Hoewel de prestaties qua fout minimaal verschilden, boden de retracties een aanzienlijke versnelling in de evaluatietijd (ongeveer 35-40% sneller).

Betekenis en Claims
Het artikel claimt dat de benaderbaarheid van afbeeldingen naar Riemanniaanse variëteiten fundamenteel verbonden is met de kromming van de variëteit. De primaire betekenis ligt in het bieden van een constructief, algemeen bruikbaar algoritme dat:

• Direct het hergebruik van volwassen lineaire benaderingstechnieken voor variëteit-waardige data mogelijk maakt.
• Expliciete, intrinsieke foutgrenzen biedt die uitsluitend afgeleid zijn van een ondergrens op de sectiekromming, zonder dat gedetailleerde kennis van de specifieke globale geometrie van de variëteit (voorbij die ondergrens) vereist is.
• Garandeert dat voor variëteiten met een niet-negatieve kromming (zoals compacte Lie-groepen), de benaderingsfout niet verslechtert ten opzichte van het lineaire geval.

De auteurs merken op dat hoewel de keuze van het linearisatiepunt $p$ heuristisch is (gebaseerd op het Karcher-gemiddelde), het theoretische kader standhoudt voor elk punt waar de afbeelding van de functie binnen een ge geodesisch convexe normale coördinatenkaart valt. Het werk wordt gepresenteerd als een stap naar robuustere ordervermindering (reduced-order modeling) en data-analyse op variëteiten, waarbij de ManiFactor.jl-package dient als een praktisch instrument voor deze toepassingen.