Geodesic Interpolation on the Grassmann Manifold: GLERP and Recursive GIDER Interpolants

Resumo Técnico: Interpolação Geodésica na Variedade de Grassmann

Enunciado do Problema
O artigo aborda o desafio de interpolar dados que residem na variedade de Grassmann, $\text{Gr}(r, m)$, o espaço de todos os subespaços lineares de dimensão $r$ de $\mathbb{R}^m$. Em muitas aplicações de computação científica e análise de dados, matrizes representam subespaços em vez de bases fixas. Consequentemente, duas matrizes $Y$ e $YR$ (onde $R \in O(r)$) representam o mesmo ponto na variedade. Métodos padrão de interpolação euclidiana falham neste contexto porque não são invariantes sob essa ação ortogonal à direita; interpolar diretamente as entradas da matriz destrói a estrutura geométrica. O objetivo é desenvolver um framework de interpolação que seja intrínseco à variedade, invariante à base e capaz de alcançar precisão de ordem elevada para curvas de valores de subespaço suaves.

Metodologia
Os autores propõem um framework construído sobre a geometria intrínseca da variedade de Grassmann, especificamente utilizando os mapas exponencial e logaritmo para definir caminhos geodésicos.

1. GLERP (Interpolação Linear de Grassmann):
   O bloco fundamental é o GLERP, um análogo de Grassmann para a Interpolação Linear Esférica (SLERP). Para dois subespaços próximos $Y_0$ e $Y_1$, o GLERP é definido como:
   $$\text{GLERP}(Y_0, Y_1; \tau) = \text{Exp}_{Y_0}(\tau \text{Log}_{Y_0}(Y_1)), \quad 0 \le \tau \le 1$$
   Isso segue a geodésica de velocidade constante que une os dois pontos. O método baseia-se na decomposição de valores singulares (SVD) do vetor tangente derivado do mapa logaritmo para computar a interpolação explicitamente.

2. GIDER$_n$ (Interpolação Geodésica Recursiva):
   Para alcançar precisão de ordem superior, os autores definem uma família recursiva de interpolantes, GIDER$_n$, baseada no algoritmo de Neville. No algoritmo de Neville euclidiano padrão, combinações afins são utilizadas; aqui, cada etapa afim é substituída por uma operação GLERP.
   $$I^k_j(t) = \text{GLERP}\left(I^{k-1}_j(t), I^{k-1}_{j+1}(t); \lambda^k_j(t)\right)$$
   onde $\lambda^k_j(t)$ é a coordenada baricêntrica padrão. O interpolante final é $I^n_0(t)$. Esta construção permite a extrapolação geodésica (onde o parâmetro $\lambda$ pode cair fora de $[0, 1]$), desde que os subespaços permaneçam dentro da vizinhança de injetividade (ou seja, os ângulos principais permaneçam estritamente menores que $\pi/2$).

3. Medição de Erro:
   O artigo enfatiza métricas de erro invariantes à base. Utiliza:

   • Distância Intrínseca de Grassmann: Baseada nos ângulos principais $\theta_j$, $d_{\text{Gr}} = (\sum \theta_j^2)^{1/2}$.
   • Erro de Matriz de Projeção: Baseado na norma de Frobenius da diferença entre projetores ortogonais, $\|P - \hat{P}\|_F$.
   • Erro Alinhado por Procrustes: Minimizando a distância de Frobenius sobre todas as transformações ortogonais.

Principais Contribuições

• Definição de GLERP: O artigo introduz formalmente o GLERP como a interpolação geodésica de velocidade constante em $\text{Gr}(r, m)$ e prova que ele possui precisão de segunda ordem para curvas suaves sob suposições padrão de vizinhança normal.
• Construção Recursiva GIDER$_n$: Os autores definem um esquema de interpolação recursivo de ordem superior que coincide exatamente com $n+1$ pontos de dados. Eles provam que, para curvas $C^{n+1}$, o GIDER$_n$ alcança precisão local de ordem $(n+1)$.
• Condições de Admissibilidade: Uma condição suficiente quantitativa é fornecida para garantir que a construção recursiva (incluindo extrapolações intermediárias) permaneça dentro da vizinhança de injetividade, impedindo que os ângulos principais se aproximem do lúcus de corte ($\pi/2$). Isso é garantido para amostragem suficientemente densa de curvas suaves.
• Análise Comparativa: O artigo fornece uma comparação detalhada entre GIDER$_n$, Interpolação de Espaço Tangente (TSI) e Interpolação de Matriz de Projeção (PROJ).
  • TSI mapeia os dados para um único espaço tangente de referência, interpola e mapeia de volta. É eficiente, mas depende da escolha de uma referência.
  • PROJ interpola projetores no espaço ambiente e projeta de volta via autovetores. É extrínseco e invariante à base, mas sensível a lacunas espectrais.
  • GIDER$_n$ é totalmente intrínseco e recursivo, evitando o compromisso com um único espaço tangente, tornando-o adequado para extensões ENO (Essencialmente Não Oscilatórias).

Resultados
Experimentos numéricos em $\text{Gr}(2, 5)$ usando uma curva suave e não geodésica confirmam as taxas de convergência teóricas:

• Para ordem de interpolação $n$, o erro escala como $O(h^{n+1})$.
• GIDER$_n$ e TSI produzem erros quase indistinguíveis em regimes suaves e locais, confirmando que ambos reduzem localmente para interpolação polinomial em coordenadas tangentes.
• PROJ alcança a mesma ordem formal de precisão, mas exibe constantes de erro maiores nos exemplos testados, o que é consistente com sua natureza extrínseca.
• Os resultados destacam que as medições de distância intrínseca podem tornar-se sensíveis ao erro de arredondamento de ponto flutuante em ordens muito altas (devido ao cálculo de $\arccos$ de ângulos principais próximos de 1), enquanto os erros de matriz de projeção fornecem um diagnóstico mais estável para a convergência de alta ordem.

Significância e Alegações
O artigo afirma estabelecer um framework geométrico rigoroso para interpolar dados de subespaço que respeitam a estrutura da variedade. Sua principal significância reside em:

1. Invariância de Base: Fornecer um método que é matematicamente consistente independentemente da matriz representante escolhida para um subespaço.
2. Estrutura Geodésica Recursiva: Oferecer um análogo de variedade direta da interpolação de Neville que não depende de um gráfico de referência fixo, o que é crucial para lidar com dados que podem não ser globalmente representáveis em um único espaço tangente.
3. Fundação para ENO: A estrutura recursiva naturalmente se estende a procedimentos Grassmann ENO (GENO), onde estênceis candidatos são selecionados com base na variação geométrica intrínseca para suprimir oscilações perto de características não suaves.

Os autores observam que, embora o GIDER$_n$ e o TSI tenham desempenho semelhante em testes locais suaves, a natureza geodésica recursiva do GIDER$_n$ oferece uma vantagem estrutural distinta para problemas de reconstrução adaptativos e não lineares, onde um único espaço tangente de referência pode ser insuficiente. O artigo conclui delineando as extensões para GENO como uma direção para trabalhos futuros.