서로 다른 차원을 갖는 교차 다양체 위에서 그래프 디리클레 에너지와 그래프 라플라시안의 수렴
Convergence of graph Dirichlet energies and graph Laplacians on intersecting manifolds of varying dimensions
본 연구에서는 잠재적으로 서로 다른 차원을 갖는 교차 다양체(intersecting manifold)들의 합집합 위에서 그래프 디리클레 에너지(graph Dirichlet energy)의 $Γ$-수렴과 그래프 라플라시안(graph Laplacian)의 스펙트럼 수렴을 다룹니다. 실제 데이터는 종종 서로 다른 내재적 차원을 갖는 부분 또는 클래스로 구성되므로, 본 연구는 머신러닝의 문제들로부터 동기를 부여받았습니다. 중요한 도전 과제는 어떤 머신러닝 방법이 이러한 다양한 차원성에 적응하는지 이해하는 것입니다. 우리는 표준적인 비정규화 그래프 디리클레 에너지와 정규화 그래프 디리클레 에너지를 조사합니다. 비정규화 에너지 및 이와 관련된 그래프 라플라시안은 점근적으로 가장 높은 차원의 다양체 내 변동만을 감지함을 보입니다. 반면에, 정규화 디리클레 에너지는 모든 차원에 동시에 적응하는 다양체들의 합집합 상의 (텐서화된) 디리클레 에너지로 수렴함을 증명합니다. 또한 관련된 스펙트럼 수렴을 규명하고 우리의 발견을 설명하기 위한 몇 가지 수치 실험을 제시합니다.