arXiv:2509.24458v2 math.AP

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

Leon Bungert, Dejan Slepčev

제출 2025-09-29

한국어 초록

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.

원문 초록

We study $Γ$-convergence of graph Dirichlet energies and spectral convergence of graph Laplacians on unions of intersecting manifolds of potentially different dimensions. Our investigation is motivated by problems of machine learning, as real-world data often consist of parts or classes with different intrinsic dimensions. An important challenge is to understand which machine learning methods adapt to such varied dimensionalities. We investigate the standard unnormalized and the normalized graph Dirichlet energies. We show that the unnormalized energy and its associated graph Laplacian asymptotically only sees the variations within the manifold of the highest dimension. On the other hand, we prove that the normalized Dirichlet energy converges to a (tensorized) Dirichlet energy on the union of manifolds that adapts to all dimensions simultaneously. We also establish the related spectral convergence and present a few numerical experiments to illustrate our findings.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2509.24458v2

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.15892v1stat.ML공통 태그 manifold learning, graph laplacian

다중 매니폴드 클러스터링을 위한 미니맥스 비율과 개선된 스펙트럴 수렴

Minimax Rates and Improved Spectral Convergence for Multi-Manifold Clustering

본 연구는 매니폴드들이 서로 교차할 수 있는 다중 매니폴드 혼합 분포(multi-manifold mixture distribution)로부터 독립적으로 추출된 $n$개의 데이터 점을 이용하여, 텐서화된(tensorized) 밀도 가중(density-weighted) 라플라스-벨트라미(Laplace-Beltrami) 연산자의 고유쌍(eigenpair) 추정 문제를 다룬다. $d$를 매니폴드 구성 요소들 중 가장 큰 고유 차원(intrinsic dimension)으로, $s\geq2$를 샘플링 밀도의 평활성(smoothness)으로 정의한다. 단순(simple)하고 자명하지 않은(nontrivial) 고유쌍에 대해, 텐서화된 라플라스-벨트라미 연산자의 고유값과 고유함수를 근사하는 미니맥스 비율(minimax rate) $n^{-s/(d+2s)}$를 수립하고, 지지 매니폴드(supporting manifold)가 알려져 있을 때 커널 밀도 추정(kernel density estimation)에 기반한 연속체 플러그인(plug-in) 추정량이 동일한 비율을 달성함을 보인다. 더 나아가 매니폴드에 구애받지 않는(manifold-agnostic) 그래프 라플라시안(graph Laplacian) 추정량을 분석하여, 그 고유쌍이 로그 인자(logarithmic factor)를 제외하고 비율 $n^{-1/(2.5d-1)}$로 텐서화된 라플라스-벨트라미 연산자의 고유쌍에 수렴함을 증명하며, 이는 다중 매니폴드 학습(multi-manifold learning)에 대해 기존에 알려진 스펙트럴 수렴 비율을 개선한 것이다. 합성 다중 매니폴드 데이터에 대한 수치 실험은 본 정리들이 보장하는 비율을 뒷받침한다. 이러한 결과들은 다중 매니폴드 스펙트럴 추정의 정보 이론적 난이도를 규명하며, 오라클(oracle) 구성 요소 정보 없이 학습할 때 발생하는 추가적인 비용을 정량화한다.

arXiv:2607.05892v1stat.ML공통 태그 manifold learning, graph laplacian

대칭 발산을 갖는 그래프 라플라시안의 수렴에 관하여

On the convergence of graph Laplacians with a symmetric divergence

$\mathbb{R}^d$의 매끄럽고 콤팩트하며 연결된 리만 부분다양체 $(\mathcal{M}, g)$ 위에 놓인 데이터에 대한 다양체 학습 알고리즘을 분석할 때, 측지 거리 $d_g$에 관한 핵심 추정은 모든 $p, q \in \mathcal{M}$에 대해 $0 \leq d_g(p, q)^2 - \|p-q\|^2 \leq K d_g(p, q)^4$를 만족하는 $K > 0$이 존재한다는 것이다. 우리는 보다 일반적으로, $\mathcal{M}$이 비퇴화 조건을 만족하는 매끄러운 대칭 발산 $D$를 갖추고 있고 모든 $p \in \mathcal{M}$에 대해 $g_p := \frac{1}{2}\mathrm{Hess}_p(D(p, \cdot))$로 $g$가 주어질 때, 모든 $p, q \in \mathcal{M}$에 대해 $\left| D(p, q) - d_g(p, q)^2 \right| \leq K d_g(p, q)^4$를 만족하는 $K > 0$이 존재함을 관찰한다. 우리는 이것이 $D$로 구성된 그래프 라플라시안의 점별 수렴에 충분함을 증명하고, $D$가 다양체에 의해 매개변수화된 확률 측도 족 위의 Sinkhorn 발산으로 주어지는 예시를 논의한다.

arXiv:2606.17185v1cs.LG공통 태그 manifold learning, graph laplacian

핀슬러 기하학, 그래프 신경망, 그리고 당신

Finsler Geometry, Graph Neural Networks, and You

그래프 라플라시안(graph Laplacian)에 기반한 그래프 신경망 아키텍처는 라플라스-벨트라미 연산자(Laplace-Beltrami operator)를 근사하므로, 그 적용이 등방성 연산자로 제한됩니다. 라플라스-벨트라미 연산자에 대한 비선형 대안으로, 우리는 다양체(manifold)에서 샘플링된 포인트 클라우드(point cloud)에 대한 핀슬러 라플라시안(Finsler Laplacian)의 추정치를 고려합니다. 우리는 점 샘플의 수가 증가함에 따라 이러한 이산 추정치들이 다양체 상의 실제 연산자로 수렴함을 증명합니다. 더 나아가, 우리는 이 연산자가 그래프 신경망 층으로 표현될 수 있음을 보이며, 이를 사용하여 핀슬러 기하학(Finsler geometry)을 표현하도록 제약된 핀슬러 그래프 신경망 계열을 정의합니다. 우리는 핀슬러 그래프 신경망이 실제로 비선형 확산 방정식(nonlinear diffusion equations)의 기저에 있는 기하학을 복원함을 보여줍니다.

arXiv:2607.08987v2cs.LG공통 태그 graph laplacian

군 불변 스펙트럴 임베딩

Group Invariant Spectral Embedding

스펙트럴 임베딩(spectral embedding) 방법은 내재적 저차원 구조를 가진 고차원 데이터셋의 차원 축소 및 군집화에 널리 사용된다. 실제 응용에서 중요한 많은 데이터셋이 회전과 같은 대칭성에 대한 불변성을 보임에도 불구하고, 표준 스펙트럴 임베딩 방법은 이를 고려하지 못하여 대칭 관계로 연관된 데이터 포인트들을 무관한 것으로 취급한다. 이 문제에 대한 우리의 접근법은 스펙트럴 임베딩에 사용되는 친화도 커널(affinity kernel)에 대칭성을 직접 반영하는 것이다. 우리는 콤팩트 리 군(compact Lie group) $G$에 의해 주어지는 대칭성을 지닌 리만 데이터 다양체 $M$의 경우를 분석하며, 적절한 조건 하에서 세 가지 유형의 불변 커널로 구성된 그래프 라플라시안이 몫공간(quotient space) $M/G$ 상의 명시적인 2계 미분 연산자로 점별 수렴(pointwise convergence)함을 증명한다. 우리의 분석은 군의 차원에 따라 유효 차원이 감소하므로 수렴 속도가 향상됨을 시사한다. 우리는 $\mathrm{SO}(2)$ 또는 $\mathrm{SO}(3)$ 대칭성을 가진 데이터셋에서 제안하는 접근법을 검증하고, 무한한 데이터 극한에서도 내재적 기하학을 복원하지 못하는 표준 스펙트럴 임베딩과 달리 $G$-불변 스펙트럴 임베딩은 데이터의 내재적 기하학을 복원함을 보인다.

arXiv:2607.23958v1cs.CV공통 태그 manifold learning

RODR: 분리된 매니폴드 표현을 위한 리만 직교 분리 정규화

RODR: Riemannian Orthogonally Decoupled Regularization for Disentangled Manifold Representation

포인트 클라우드 노이즈 제거는 본질적으로 기하학적 복원 과제로, 노이즈가 있는 이산 ambient-space 샘플로부터 R^3에 임베드된 매끄러운 2차원 리만 매니폴드의 고유 구조를 재구성하는 것을 목표로 한다. 기하학적 표현 학습에서 현대의 매니폴드 인식 인코더와 생성적 수송(transport) 모델이 눈부신 진전을 이뤘음에도, 근본적인 목표-기하학 불일치는 여전히 충분히 탐구되지 않았다. 이론적으로, 우리는 이러한 불일치된 결합이 기하학적 그래디언트 간섭을 유발하며, 상충하는 최적화 목표가 구조적 열화와 포인트 군집화를 초래함을 확인했다. 우리는 법선(fitting) 성분과 접선(distribution) 성분을 분리함으로써 최적화 궤적을 재구성하는 리만 직교 분리 정규화(RODR)를 제안한다. 벡터-어텐션 및 엔트로피 인식 적응형 전략의 안내 하에, RODR은 샘플링 균일성을 유지하면서 고충실도 기하학적 세부를 효과적으로 보존한다. 실험 결과 RODR은 최신(state-of-the-art) 베이스라인에 필적하는 성능을 달성하며, 분포 규칙성의 개선과 국소적 응집의 효과적 감소를 시사한다. 본 연구는 포인트 클라우드 처리에서 분리된 기하학적 최적화를 위한 범용적이고 해석 가능한 프레임워크를 제시한다.

arXiv:2607.03641v2stat.ML공통 태그 manifold learning

다양체 가설 하의 결측 데이터 대체

Missing Data Imputation under Manifold Hypothesis

다양체 가설(manifold hypothesis)은 고차원 데이터가 저차원 내재 다양체 근방에 집중되어 있다고 가정한다. 혼합 변분 오토인코더(VAE)의 최근 발전은 이러한 내재 구조를 충실하게 추출하는 강력한 도구를 제공한다. 이로부터 얻어지는 기하학적 구조는 변수들 간의 지역적 및 전역적 관계를 자연스럽게 도입하며, 결측 데이터를 체계적으로 대체할 수 있는 방법을 제공한다. 우리는 샘플링-중요도-재샘플링(SIR) 절차를 통해 \( p(\bm{x}_{\mathrm{mis}} \mid \bm{x}_{\mathrm{obs}}) \)로부터 샘플링할 수 있는 모델 기반 대체 방법을 제안하며, 이는 잠재 공간에서의 결합 확산 모델(diffusion model)로 더욱 보강될 수 있다. 우리의 방법은 내재 기하학적 구조를 존중하면서 결측 데이터를 대체하고, 최신 방법들과 경쟁력 있는 성능을 달성하며, 대체값의 불확실성을 정량화하고, 모델 기반이므로 전체 절차를 재실행하지 않고도 즉석 대체(on-the-fly imputation)가 가능하다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.