Structured Tensor Approximation from Lateral Slice Sampling via Basis and Manifold Priors

Resumo Técnico: Aproximação de Tensores Estruturados via Amostragem de Fatias Laterais através de Priores de Base e Variedade

Formulação do Problema
O artigo aborda o problema de reconstruir um tensor de verdade fundamental de terceira ordem $\mathcal{H} \in \mathbb{R}^{m \times n \times m}$ a partir de um número limitado de fatias laterais observadas. Diferente dos problemas padrão de completude de tensores que assumem amostragem de entradas ou fibras aleatórias, este trabalho foca na amostragem estruturada de fatias laterais, onde apenas um subconjunto de fatias $\mathcal{C} \in \mathbb{R}^{m \times d \times m}$ (com $d \ll n$) está disponível. Este cenário é motivado por aplicações em química quântica, especificamente na reconstrução de matrizes Hessianas ao longo de um caminho de reação, onde os custos computacionais limitam as avaliações a pontos específicos na trajetória, em vez de observações aleatórias.

Os autores postulam que tais tensores exibem duas estruturas complementares:

1. Estrutura Global: As fatias frontais evoluem suavemente ao longo de uma trajetória física (ex: coordenada de reação) e podem ser representadas por funções de base estruturadas (ex: polinômios de Legendre ou Transformada Discreta de Cosseno).
2. Estrutura Local: Fatias vizinhas exibem forte similaridade, sugerindo uma estrutura de variedade (manifold) subjacente de baixa dimensão.

Metodologia: Estrutura BMTA
O algoritmo proposto de Aproximação de Tensor com Priores de Base e Variedade (BMTA) integra esses dois priores estruturais em um framework de reconstrução Tucker de baixo posto. O método procede em três estágios:

1. Estimativa de Coeficientes de Quase-Base:
   O algoritmo primeiro estima um tensor de coeficientes $\mathcal{Q}$ assumindo que o tensor admite uma representação de base de baixa dimensão ao longo do segundo modo: $\mathcal{H} \approx \mathcal{Q} \times_2 \mathcal{S}$, onde $\mathcal{S}$ é uma matriz de base conhecida. Este passo é formulado como um problema de regressão tensorial, resultando em uma solução em forma fechada usando a inversa de Moore–Penrose: $\hat{\mathcal{Q}} = \text{fold}_2(\Psi^\dagger \mathcal{C}_{(2)}) \times_2 \mathcal{S}^\dagger$.

2. Interpolação Guiada por Variedade:
   Para capturar relações geométricas locais, o algoritmo constrói uma matriz de interpolação $\hat{\Lambda}_\Omega$. Isso é alcançado computando distâncias de par entre pontos da trajetória (coordenadas de reação) e aplicando um kernel Gaussiano (RBF) para estimar pesos para fatias não amostradas com base em vizinhos amostrados. Isso modela a evolução do tensor como uma variedade suave.

3. Otimização Tucker de Baixo Posto:
   O estágio final otimiza conjuntamente os fatores Tucker (tensor núcleo $\mathcal{G}$ e matrizes de fator $\mathcal{X}_1, \mathcal{X}_2$) para minimizar uma função objetivo composta. Esta função equilibra o ajuste ao priore de quase-estrutura ($\hat{\mathcal{Q}} \times_2 \mathcal{S}$) e a estimativa de interpolação guiada pela variedade ($\mathcal{C} \times_2 \hat{\Lambda}_\Omega$):
   $$\min_{\hat{\mathcal{G}}, \hat{\mathcal{X}}_1, \hat{\mathcal{X}}_2} \alpha \|\hat{\mathcal{Q}} \times_2 \mathcal{S} - \mathcal{H}_{\text{recon}}\|_F^2 + (1-\alpha) \|\mathcal{C} \times_2 \hat{\Lambda}_\Omega - \mathcal{H}_{\text{recon}}\|_F^2$$
   onde $\mathcal{H}_{\text{recon}} = \hat{\mathcal{G}} \times_1 \hat{\mathcal{X}}_1 \times_2 \hat{\mathcal{X}}_2 \times_3 \hat{\mathcal{X}}_1$. A otimização é realizada via gradiente descendente alternado.

Análise Teórica
O artigo fornece um limite de erro de reconstrução não assintótico (Teorema 1) que caracteriza a interação entre convergência de otimização, complexidade de amostragem e desajuste de modelo. Principais achados teóricos incluem:

• Decomposição de Erro: O erro de reconstrução é decomposto em um termo de otimização de contração (que decai geometricamente com as iterações) e um erro de aproximação irredutível induzido pelo desajuste de modelo (erro de base e erro de interpolação).
• Complexidade de Amostragem: A análise estabelece que o número de fatias amostradas $d$ deve escalar com a dimensão intrínseca do subespaço da base ($n, l$) para garantir que o operador de amostragem satisfaça uma propriedade de imersão de subespaço, controlando assim a distorção introduzida pelas observações parciais.
• Convergência: Sob condições de inicialização específicas (dentro de um bassin de atração) e passos apropriados, o algoritmo converge linearmente para uma vizinhança da verdade fundamental.

Resultados Experimentais
Os autores validam o BMTA em conjuntos de dados sintéticos e do mundo real:

• Dados Sintéticos: Experimentos em tensores gerados de sobreposições de componentes polinomiais e interpolativos mostram que o BMTA supera consistentemente os baselines (decomposição Tucker, TensorCUR e variantes de ablação usando apenas um priore) em regimes de amostragem baixa a moderada. O BMTA demonstra robustez ao ruído e ao desajuste de modelo.
• Reconstrução de Mapa de Rádio: Em uma tarefa sintética de mapa de rádio espaço-temporal, o BMTA alcança menor erro de reconstrução do que métodos concorrentes quando o número de fatias observadas é limitado, preservando efetivamente padrões espaciais que outros métodos suavizam ou distorcem.
• Química Quântica: Aplicado a matrizes Hessianas reais de sistemas de reações químicas (ex: CF3CH3, TSoxo), o BMTA alcança o menor erro de reconstrução comparado aos métodos Polynomial-only, Interpolation-only, Tucker e TensorCUR quando apenas 5 fatias são observadas ($d=5$).

Significância e Alegações
O artigo afirma que o BMTA oferece uma melhoria significativa sobre métodos existentes de aproximação de tensores especificamente em cenários restritos por amostragem de fatias laterais estruturadas. Sua principal contribuição é a integração de priores complementares de base (global) e variedade (local), o que permite uma reconstrução precisa mesmo quando o número de observações é pequeno demais para que métodos de baixo posto padrão estimem subespaços de forma confiável. O trabalho estabelece que o aproveitamento de informações laterais específicas do domínio (como coordenadas de reação ou funções de base conhecidas) é crítico para recuperar dados tensoriais de alta dimensão sob severas restrições de amostragem. Os limites teóricos elucidam ainda as trocas (trade-offs) entre densidade de amostragem, precisão do modelo e convergência de otimização.