Approximating maps into manifolds with lower curvature bounds

Título: Aproximação de mapas em variedades com limites inferiores de curvatura

Enunciado do Problema
A teoria de aproximação foca tradicionalmente em funções que mapeiam para espaços lineares (por exemplo, $\mathbb{R}^n$). No entanto, muitas aplicações em engenharia, estatística e física envolvem funções cujos valores residem em variedades riemannianas (por exemplo, matrizes ortogonais, matrizes simétricas definidas positivas ou subespaços). A aplicação ingênua de esquemas padrão de aproximação linear componente a componente falha em preservar a estrutura geométrica intrínseca dessas variedades. Embora existam vários métodos para casos específicos (como splines de variedades ou regressão), há uma necessidade de um arcabouço geral que possa alavancar técnicas de aproximação linear existentes, fornecendo simultaneamente limites de erro intrínsecos e rigorosos que levem em conta a geometria da variedade.

Metodologia
Os autores propõem um modelo geral de três etapas para aproximar um mapa $f: \mathcal{R} \to \mathcal{M}$, onde $\mathcal{R}$ é um domínio e $\mathcal{M}$ é uma variedade riemanniana:

1. Linearização: Selecionar um ponto base $p \in \mathcal{M}$ (escolhido heuristicamente como a média de Karcher dos pontos amostrados) para definir um gráfico de coordenadas normais.
2. Pullback e Aproximação: Mapear os valores da função para o espaço tangente $T_p\mathcal{M}$ usando o logaritmo da variedade ($\log_p$). Isso transforma o problema em aproximar um mapa vetorial $g = \log_p \circ f$. Qualquer esquema de aproximação linear padrão (por exemplo, interpolação, regressão, decomposições tensoriais) é aplicado a $g$ para produzir uma aproximação $\hat{g}$.
3. Pushforward: Mapear a aproximação de volta para a variedade usando o exponencial da variedade ($\exp_p$), resultando no aproximante final $\hat{f} = \exp_p \circ \hat{g}$.

Para analisar o erro, os autores utilizam o Teorema de Toponogov, um teorema de comparação riemanniana. Este teorema relaciona a geometria de triângulos geodésicos na variedade alvo $\mathcal{M}$ com a de uma variedade de modelo $N$ com curvatura seccional constante $H$. Ao assumir um limite inferior $H$ para a curvatura seccional de $\mathcal{M}$, os autores derivam limites para a distância intrínseca entre a função verdadeira $f$ e a aproximação $\hat{f}$ com base no erro na aproximação do espaço tangente.

Principais Contribuições

• Teorema 3 (Principal Contribuição): O artigo estabelece um limite superior rigoroso para o erro de aproximação direta $d_{\mathcal{M}}(f(x), \hat{f}(x))$ em termos do erro no espaço tangente $\epsilon = \|g(x) - \hat{g}(x)\|_p$ e do limite inferior $H$ da curvatura seccional.
  • Se $H \geq 0$ (curvatura não negativa), o erro na variedade é garantido como não sendo pior que o erro no espaço tangente ($d_{\mathcal{M}} \leq \epsilon$).
  • Se $H < 0$ (curvatura negativa), o erro é limitado por uma função envolvendo $\epsilon$, $H$ e a norma máxima $\sigma$ dos vetores tangentes no gráfico.
• Extensão para Retrações (Corolário 4): O arcabouço é estendido para casos onde os mapas exponencial e logaritmo são desconhecidos ou caros, permitindo o uso de retrações (aproximações do mapa exponencial) com termos de erro adicionais.
• Análise do Número de Condição (Proposição 6): Os autores analisam o número de condição do mapa do espaço tangente para a variedade, mostrando que ele cresce exponencialmente com o produto da norma do vetor tangente e a raiz quadrada da curvatura absoluta. Isso destaca a importância de escolher um ponto base $p$ que minimize a norma dos vetores tangentes (minimizando $\sigma$).
• Implementação (ManiFactor.jl): Os autores implementam este arcabouço em um pacote Julia, ManiFactor.jl. Para o caso específico de aproximação multivariada, eles empregam interpolação de Chebyshev tensorizada combinada com uma Decomposição de Valor Singular de Ordem Superior Sequencialmente Truncada (ST-HOSVD) para lidar com a "maldição da dimensionalidade" e construir aproximações esparsas em dados.

Resultados
O artigo valida os limites teóricos através de dois experimentos numéricos:

1. Subespaços de Krylov: Aproximando um mapa para a variedade de Grassmann (representando subespaços) proveniente de uma equação diferencial parametrizada. Os resultados confirmam que o erro medido adere ao limite previsto pelo Teorema 3.
2. Aproximação de Baixo Rank Dinâmico: Aproximando um mapa para a variedade de Segre (matrizes de rank-1). Novamente, o erro experimental alinha-se com o limite teórico.
3. Eficiência de Retração: No exemplo da variedade de Grassmann, os autores compararam o mapa exponencial padrão com as retrações QR e polar. Embora o desempenho do erro tenha sido virtualmente idêntico, as retrações ofereceram uma aceleração significativa no tempo de avaliação (aproximadamente 35-40% mais rápidas).

Significância e Alegações
O artigo afirma que a aproximabilidade de mapas em variedades riemannianas está fundamentalmente ligada à curvatura da variedade. A principal significância reside em fornecer um algoritmo construtivo e de propósito geral que:

• Permite o reuso direto de técnicas de aproximação linear maduras para dados com valores em variedades.
• Fornece limites de erro explícitos e intrínsecos derivados unicamente de um limite inferior de curvatura seccional, sem exigir conhecimento detalhado da geometria global específica da variedade além desse limite.
• Garante que, para variedades com curvatura não negativa (como grupos de Lie compactos), o erro de aproximação não se degrade em comparação ao caso linear.

Os autores observam que, embora a escolha do ponto de linearização $p$ seja heurística (baseada na média de Karcher), o arcabouço teórico se mantém para qualquer ponto onde a imagem da função caiba dentro de um gráfico de coordenadas normais geodesicamente convexo. O trabalho é apresentado como um passo em direção a modelos de ordem reduzida mais robustos e análise de dados em variedades, com o pacote ManiFactor.jl servindo como uma ferramenta prática para essas aplicações.