A Riemannian View on Active Subspaces

Resumo Técnico: Uma Visão Riemanniana sobre Subespaços Ativos

Enunciado do Problema
Os subespaços ativos fornecem um método fundamentado e ordenado por autovalores para a redução de dimensionalidade em domínios euclidianos de alta dimensão. Eles identificam um subespaço de baixa dimensão onde uma quantidade escalar de interesse, $f: \mathbb{R}^n \to \mathbb{R}$, varia mais significativamente em média, enquanto permanece quase constante no complemento ortogonal. No entanto, muitas aplicações modernas envolvem parâmetros que residem naturalmente em variedades de Riemann (por exemplo, análise de forma estatística, onde os espaços de pré-forma são hiperesferas), em vez de espaços euclidianos. A definição padrão de subespaços ativos baseia-se no isomorfismo canônico do espaço euclidiano, o que permite a média global de vetores gradiente. Em uma variedade curva, vetores tangentes em diferentes pontos pertencem a espaços tangentes distintos, tornando uma média global direta mal definida sem um mecanismo para compará-los. O artigo aborda o desafio de estender o framework de subespaços ativos para funções suaves definidas em variedades de Riemann, preservando a interpretabilidade de seus autovalores como derivadas direcionais de média quadrática.

Metodologia
O artigo desenvolve uma formulação intrínseca de subespaços ativos em uma variedade de Riemann $(M, g)$ generalizando o produto externo do gradiente. A metodologia central envolve três etapas principais:

1. Média Intrínseca via Transporte Paralelo: Para definir uma média global de gradientes, os autores transportam cada gradiente de Riemann $\nabla_M f(p)$ de seu espaço tangente local $T_p M$ para um espaço tangente central $T_{p_0} M$ ao longo da geodésica única que conecta $p$ a um ponto central $p_0$. Isso é alcançado usando o operador de transporte paralelo $P_p$. O "produto externo de gradiente de média Riemanniana" resultante é definido como:
   $$G_0 = \int_X P_p [\nabla_M f(p)] \otimes P_p [\nabla_M f(p)] \, d\mu(p)$$
   onde $\mu$ é uma medida de probabilidade na variedade (tipicamente suportada em uma bola geodésica). Esta construção produz um tensor simétrico semidefinido positivo no espaço vetorial único $T_{p_0} M$.

2. Geodésicas de Manifold Ativas (AMG): A decomposição em autovetores de $G_0$ produz autovalores $\lambda_i$ e autovetores $w_i$ em $T_{p_0} M$. Os autores definem as "Geodésicas de Manifold Ativas" como as imagens das retas estendidas pelos autovetores sob o mapa exponencial: $W_{1,i} = \{ \exp_{p_0}(t w_i) \}$. Estas geodésicas servem como as direções ativas na variedade.

3. Comparação Intrínseca vs. Extrínseca: O artigo contrasta esta abordagem intrínseca com uma extrínseca, onde a variedade é imersa em um espaço euclidiano de dimensão superior $\mathbb{R}^m$. O método extrínseco faz a média dos gradientes ambientes e os projeta para o espaço tangente central. Os autores derivam uma relação precisa entre os dois, mostrando que o espectro extrínseco é uma versão "conflada" do espectro intrínseco devido à isometria parcial da projeção.

Principais Contribuições
O artigo apresenta quatro contribuições primárias:

• Generalização Intrínseca: Introduz o produto externo de gradiente por transporte paralelo (Equação 12) como um tensor livre de coordenadas cujos autovalores fornecem uma interpretação exata como derivadas direcionais de média quadrada ao longo de um campo de moldura transportado (Lema 1).
• Geodésicas de Manifold Ativas: Define um conjunto ordenado de direções geodésicas (Definição 3) que generalizam os subespaços ativos. Diferente de reduções totalmente não lineares (ex: manifolds ativos ou redes neurais) que podem degenerar em curvas que preenchem o espaço, as AMGs mantêm baixa complexidade e identificabilidade ao restringir a busca às imagens exponenciais de retas em um único espaço tangente.
• Concordância Quantitativa Intrínseca-Extrínseca: O artigo estabelece que, embora as perspectivas intrínseca e extrínseca difiram fundamentalmente, elas concordam de segunda ordem ($O(R^2)$) no raio $R$ da bola geodésica amostrada. Especificamente, os autovalores concordam em $O(R^2)$, e os autovetores dominantes concordam em $O(R^2/\eta)$, onde $\eta$ é o gap espectral (Proposição 3). Crucialmente, demonstra que projetar o autovetor ambiente dominante (uma prática extrínseca comum) pode falhar se a direção estiver no núcleo da projeção, enquanto o método intrínseco permanece robusto.
• Aplicação à Análise de Forma: A teoria é explicitamente motivada e aplicada aos espaços de pré-forma na análise de forma estatística, que são hiperesferas. Os resultados fornecem um framework direto para a redução de dimensionalidade dirigida pela resposta em funções de forma.

Resultados e Ilustrações Numéricas
Os autores validam o formalismo usando exemplos numéricos na 2-esfera ($S^2$):

• Recuperação de Cristas (Ridge Recovery): Para uma função linear ambiente restrita à esfera (uma função de crista), a AMG intrínseca identifica com sucesso a direção geodésica ativa. O artigo demonstra que a estrutura de crista é recuperada em coordenadas normais com um erro que decai a uma taxa quadrática limitada pela curvatura ($O(R^2)$), consistente com a Proposição 3.
• Casos Degenerados: O artigo examina um cenário onde o ponto central coincide com a direção do gradiente de uma crista ambiente. Neste caso, o método extrínseco (projetando o autovetor ambiente dominante) falha, resultando em um vetor nulo trivial. Em contraste, o método intrínseco identifica corretamente que nenhuma direção única é dominante, retornando dois autovalores iguais, evitando assim o modo de falha de "dominância projetada".
• Funções Não-Crista: Para funções quadráticas que não são cristas, o método intrínseco fornece um ranking fiel das direções baseado puramente na variação da função, enquanto o método extrínseco emaranha essa variação com a geometria de sua imersão.

Significância e Alegações
O artigo alega que a formulação intrínseca oferece uma representação mais fiel da geometria do domínio, livre dos artefatos de uma imersão específica. Argumenta-se que, embora os métodos extrínsecos sejam computacionalmente convenientes, eles introduzem uma "isometria parcial" que pode distorcer a ordenação da importância, particularmente ao estender a atividade além do ponto central.

Os autores enfatizam que o método proposto é geodesicamente local. A interpretação dos autovalores como indicadores de submanifolds inativas é estritamente válida apenas dentro de uma vizinhança normal (uma bola geodésica) centrada em $p_0$. Estender isso para um domínio global exigiria um atlas de análises locais ou uma estrutura de foliação mais complexa, o que é notado como trabalho futuro. O artigo não pretende resolver o problema global de redução de dimensionalidade para variedades arbitrárias, mas sim fornecer uma extensão rigorosa, explicável e localmente ótima de subespaços ativos para funções suaves em variedades de Riemann, com aplicabilidade imediata para dados hiperesféricos em análise de forma.