🤖 AI

A Generalized Parallelogram Rule for Proportional Analogies on Riemannian Manifolds

Dit artikel introduceert een gegeneraliseerde proportionele analogierelatie voor Riemanniaanse variëteiten door de Euclidische parallellogramregel uit te breiden naar niet-Euclidische ruimten, waarbij de toepasbaarheid ervan op diverse domeinen zoals sferen, vormruimten en waarschijnlijkheidsverdelingsvariëteiten wordt aangetoond.

Oorspronkelijke auteurs: Pierre-Alexandre Murena, Marcelo Hartmann

Gepubliceerd 2026-08-17

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Pierre-Alexandre Murena, Marcelo Hartmann

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een raadsel probeert op te lossen dat er zo uitziet: "Appel is voor Fruit als Wortel is voor...?" Je brein weet instinctief dat het antwoord "Groente" is. Je had geen rekenmachine nodig; je begreep simpelweg de relatie tussen de eerste twee items en paste die toe op het derde. In de wereld van computers wordt dit een "analogie" genoemd, en het is een superkracht voor kunstmatige intelligentie. Een tijdlang leerden wetenschappers computers deze raadsels oplossen met behulp van platte, rasterachtige kaarten (genaamd Euclidische ruimtes), waar je simpelweg een rechte lijn of een perfecte parallellogram kunt tekenen om het ontbrekende stukje te vinden. Het werkt geweldig voor eenvoudige lijsten met woorden of getallen.

Maar de echte wereld is niet plat. Denk aan de aarde: het is een bol. Als je een rechte lijn op een wereldbol probeert te tekenen, buigt die. Of denk aan een vormveranderende robot of een wolk van waarschijnlijkheden; deze bestaan op complexe, gebogen oppervlakken die "manifolds" worden genoemd. Wanneer computers proberen analogieën op deze gebogen oppervlakken op te lossen met oude, platte regels, gaat het mis. De rechte lijnen sluiten niet aan en de antwoorden worden een rommeltje. Dit artikel stelt een grote vraag: Hoe kunnen we computers leren om "A is voor B als C is voor D" raadsels op te lossen wanneer de wereld waarin ze leven gebogen, gedraaid en vol bobbels is?

De auteurs, Pierre-Alexandre Murena en Marcelo Hartmann, hebben een slimme nieuwe manier bedacht om dit te doen. In plaats van te proberen een gebogen wereld in een platte doos te dwingen, besloten ze de krommingen zelf te gebruiken om het antwoord te vinden. Ze realiseerden zich dat in een platte wereld een parallellogram wordt gedefinieerd door zijn zijden die parallel zijn. Maar op een gebogen oppervlak is "parallel" lastig. Daarom hebben ze de definitie veranderd. Ze keken naar het centrum van de vorm. In een plat vierkant kruisen de diagonalen precies in het midden. De auteurs bewezen dat als je het "geodetische middelpunt" (het exacte middelpunt langs het kortste gebogen pad) tussen twee items vindt, je dat kunt gebruiken om de analogie op te lossen, zelfs op een bol, een vormveranderend mesh of een wolk van data.

Hier is hoe hun nieuwe regel werkt in gewone mensentaal. Stel je hebt vier punten op een gebogen oppervlak: A, B, C en D. In de oude platte wereld zou je zeggen: "De afstand van A naar B is hetzelfde als C naar D." Op een gebogen wereld is dat moeilijk te meten. De auteurs zeggen: "Vergeet de zijden. Kijk naar het midden." Als je halverwege van A naar D loopt, en je loopt halverwege van B naar C, dan zou je op exact dezelfde plek moeten landen. Als deze twee "middelpunt"-ontmoetingen op dezelfde plek plaatsvinden, dan vormen A, B, C en D een perfecte analogie. Het is alsof je zegt: "Het halverwege punt van de start en de finish van de eerste reis is hetzelfde als het halverwege punt van de tweede reis."

Dit mag klinken als een kleine aanpassing, maar het is een enorme zaak omdat het overal werkt. De auteurs testten hun idee op allerlei vreemde, gebogen plekken. Ze probeerden het op een bol (zoals de aarde), op 3D-vormen (zojals een hond die verandert in een koe) en zelfs op wolken van waarschijnlijkheid (zoals het voorspellen van filmbeoordelingen). In elk geval vond hun "middelpunt-regel" het ontbrekende puzzelstukje correct. Ze lieten zien dat deze methode "robuust" is, wat betekent dat als je de startpunten een klein beetje verschuift, het antwoord niet instort; het blijft dicht bij het juiste antwoord. Dit is cruciaal voor real-world AI, waar data vaak ruis bevat of imperfect is.

Een van de coolste onderdelen van hun werk is hoe het omgaat met verschillende soorten "gebogen" data. Bijvoorbeeld, wanneer men te maken heeft met vormen (zoals 3D-modellen van dieren), lieten ze zien dat je een deformatie (een rek of draaiing) van het ene dier op een ander kunt toepassen met deze regel. Als je een hond hebt in een zittende houding en een hond in een staande houding, kun je uitzoeken hoe je een koe van zittend naar staand transformeert, ook al zijn koeien en honden verschillend. Ze testten dit ook op filmbeoordelingen. Als je weet hoe "tieners" actiefilms beoordelen versus horrorfilms, en je weet hoe "volwassenen" actiefilms beoordelen, kun je deze nieuwe regel gebruiken om te voorspellen hoe "volwassenen" horrorfilms zullen beoordelen. In hun tests was deze geometrische aanpak vaak beter dan oudere methoden bij het voorspellen van deze voorkeuren.

Het artikel maakt ook een duidelijk onderscheid over waar dit wel en waar het mogelijk lastig wordt. Ze bewezen dat op bepaalde gladde, symmetrische oppervlakken (zoals sferen of hyperbolische ruimtes), het antwoord uniek en gemakkelijk te berekenen is. Echter, op sommige oppervlakken, zoals de bol, als twee punten precies tegenover elkaar liggen (antipodaal), kan er meer dan één "middelpunt" zijn, wat betekent dat er ook meer dan één geldig antwoord kan zijn aan het raadsel. Ze gokten dit niet alleen; ze leverden de wiskundige formules om het exacte antwoord te berekenen voor sferen, hyperbolische ruimtes en zelfs complexe matrices die worden gebruikt in machine learning.

Wat ze niet deden, was beweren dat dit elk probleem in AI oplost. Ze merkten expliciet op dat hun methode steunt op de aanwezigheid van data op een specif kind type gebogen oppervlak genaamd een "Riemanniaanse manifold". Als de data op een vreemd, niet-glad oppervlak leeft dat niet aan deze regels voldoet, kan hun methode niet direct worden toegepast. Ze wezen er ook op dat hoewel hun methode prachtig werkt voor vormen en waarschijnlijkheden, het een nieuw instrument is dat nog meer getest moet worden in real-world toepassingen zoals transfer learning (een computer een taak leren om hem met een andere taak te helpen) of meta-learning.

Uiteindelijk gaat dit artikel over het geven van een betere kaart aan AI. Jarenlang probeerden computers de complexe, gebogen wereld van data te navigeren met een platte, 2D-kaart, wat ertoe leidde dat ze verdwaalden. Murena en Hartmann hebben een nieuwe kaart getekend die de krommingen respecteert. Door de focus te leggen op het "midden" van de reis in plaats van op de rechte lijnen, hebben ze laten zien dat computers eindelijk analogieën kunnen oplossen in de echte, gedraaide, prachtige wereld waarin we daadwerkelijk leven. Het is een stap naar AI die niet alleen feiten onthoudt, maar ook echt de relaties tussen dingen begrijpt, of het nu gaat om woorden, vormen of filmvoorkeuren.

Probleemstelling

Proportionele analogieën, geformaliseerd als kwartaire relaties $a:b::c:d$ (" $a$ staat tot $b$ als $c$ staat tot $d$ "), zijn fundamenteel voor het menselijk cognitieve vermogen en de validatie van machine learning. Hoewel het concept goed gevestigd is in symbolische domeinen en Euclidische vectorruimten—waar de rekenkundige parallellogramregel ( $b-a = d-c$ ) dient als een geldige proportionele analogie—is de toepassing ervan beperkt in niet-Euclidische ruimten. Eerdere pogingen om de parallellogramregel uit te breiden naar Riemanniaanse variëteiten (bijv. via geodesic shooting en parallel transport) zijn gestuit op twee primaire beperkingen: de directe generalisatie voldoet niet aan de axioma's van proportionele analogieën (specifiek, de oplossing voor $a:b::c:x$ verschilt van $a:c::b:x$ ), en algemene constructies garanderen geen continuïteitseigenschappen.

Methodologie

Het artikel stelt een nieuwe, intrinsieke definitie van proportionele analogieën op Riemanniaanse variëteiten voor, gebaseerd op geodesische middelpunten in plaats van parallelle verplaatsingen. Deze aanpak put uit het geometrische inzicht dat in de Euclidische ruimte een parallellogram wordt gedefinieerd door de samenval van de middelpunten van de diagonalen.

Kernconstructie:
Voor een Riemanniaanse variëteit $(\mathcal{M}, g)$ houdt de relatie $a:b::c:d$ stand indien en slechts indien het geodesische middelpunt tussen $a$ en $d$ samenvalt met het geodesische middelpunt tussen $b$ en $c$ .

Geodesisch convexe casus: Als de variëteit geodesisch convex is (unieke geodesen bestaan tussen elk twee punten), wordt de relatie gedefinieerd door:
$\exp_a\left(\frac{1}{2}\log_a(d)\right) = \exp_b\left(\frac{1}{2}\log_b(c)\right)$
Deze formulering zorgt ervoor dat de relatie een sterke proportionele analogie is.
Algemene casus: Voor niet-convexe variëteiten waar geodesen niet uniek zijn, wordt de definitie gegeneraliseerd naar:
$\exists v \in T_a\mathcal{M}, \exists w \in T_b\mathcal{M} \text{ zodanig dat } c=\exp_b(w), d=\exp_a(v), \text{ en } \exp_a(v/2) = \exp_b(w/2)$

Theoretisch Kader:
De auteurs analyseren de eigenschappen van deze constructie, inclusief:

Axiomatische voldoening: Het bewijzen dat de relatie symmetrie, uitwisseling van gemiddelden en reflexiviteit bevredigt.
Isometrie-invariantie: Het aantonen dat de analogie behouden blijft onder Riemanniaanse isometrieën.
Robuustheid: Het vaststellen dat de analogie robuust is (continu onder kleine perturbaties) op Hadamard-variëteiten en Riemanniaanse symmetrische ruimten.
Realiseerbaarheid in $\mathbb{R}^n$ : Het tonen dat voor $n \geq 2$ , elke vier verschillende punten een analogie kunnen vormen onder een geschikte metriek, terwijl voor $n=1$ de door de punten gevormde intervallen genest moeten zijn.

Belangrijkste Bijdragen

Intrinsieke Definitie: De introductie van een proportionele analogierelatie op Riemanniaanse variëteiten gebaseerd op geodesische middelpunten, die voldoet aan de axioma's van proportionele analogieën en volledig intrinsiek is (vertrouwend op enkel de exponentiële en logaritmische mappen).
Theoretische Eigenschappen: De vaststelling van belangrijke eigenschappen, waaronder invariantie onder isometrieën, robuustheid en expliciete karakteriseringen op geodesisch convexe en symmetrische ruimten.
Uitbreiding van Lepage en Couceiro (2024): Het bewijzen dat elke kwartet van onderling verschillende punten in $\mathbb{R}^n$ ( $n \geq 2$ ) analogisch gemaakt kan worden onder een geschikte metriek, en het bieden van ordeningsvoorwaarden voor $n=1$ .
Veelzijdigheid over Domeinen: De toepassing van het framework op diverse geometrische domeinen, waarbij gesloten vorm oplossingen of algoritmen worden geboden voor:
- Symmetrische Ruimten: Sferen ( $\mathbb{S}^n$ ), Hyperbolische ruimten ( $\mathbb{H}^n$ ) en Symmetric Positive Definite (SPD) matrices.
- Vormruimten (Shape Spaces): Kendall's ruimte van driehoekige vormen en 3D-driehoekige meshes.
- Waarschijnlijkheidsvariëteiten: De simplex van categorische distributies onder zowel de Fisher-Rao als de Aitchison metriek.

Resultaten en Toepassingen

Het artikel illustreert het framework door middel van verschillende specifieke toepassingen en theoretische afleidingen:

SPD Matrices: Voor de variëteit van symmetrische positief definite matrices, heeft de analogische vergelijking $A:B::C:X$ een unieke oplossing die het geometrisch gemiddelde van matrices omvat: $X = (B\#C)A^{-1}(B\#C)$ .
Vormruimten (Shape Spaces): De methode wordt toegepast op 3D-driehoekige meshes (met behulp van de Morphomatics library) om deformaties over te dragen. In een experiment waarbij een pose-verandering van een hond-mesh naar een koe-mesh werd overgedragen, genereerde het framework succesvol de doel-mesh in ongeveer 2 seconden, wat een generalisatie naar complexe geometrische domeinen aantoont.
Categorische Distributies (Voorkeursoverdracht): De auteurs evalueerden het framework op de MovieLens 1M dataset voor een taak van voorkeursoverdracht. Het doel was om de beoordelingsdistributie van een doelgroep voor een specifieke filmcategorie te voorspellen, gegeven drie referentiedistributies.
- Metrieken: Prestaties werden gemeten met behulp van de gemiddelde Jensen-Shannon divergentie.
- Bevindingen: De analogische benaderingen (Fisher-Rao en Aitchison metrieken) presteerden consistent beter dan niet-analogische baselines (leave-one-out voorspellers en additieve modellen) over zes experimentele condities van toenemende moeilijkheid (variërend naar leeftijd, geslacht, beroep en genre).
- Vergelijking: De Fisher-Rao metriek bereikte de laagste divergentie in vijf van de zes settings, terwijl de Aitchison metriek het best presteerde voor cohorten op basis van beroep. Beiden presteerden beter dan de arithmetico-geometrische analogie baseline.

Betekenis

Het artikel beweert een verenigd geometrisch framework te bieden voor het uitbreiden van proportionele analogieën voorbij symbolische domeinen en Euclidische vectorruimten. Door analogieën te karakteriseren via geodesische middelpunten, laten de auteurs zien dat één enkele intrinsieke constructie analogisch redeneren op natuurlijke wijze uitbreidt naar complexe structuren zoals de variëteiten van waarschijnlijkheidsdistributies, vormruimten en SPD-matrices. Het werk vestigt dat deze analogieën niet alleen theoretisch solide zijn (voldoen aan axioma's en robuustheid), maar ook praktisch effectief zijn, zoals blijkt uit de succesvolle transfer van voorkeursdistributies en geometrische deformaties. De auteurs suggereren dat dit framework als fundament kan dienen voor toekomstige ontwikkelingen in transfer learning, meta-learning en geometrische data-augmentatie.

Probleemstelling

Methodologie

Belangrijkste Bijdragen

Resultaten en Toepassingen

Betekenis

Meer zoals dit