論文の概要: Metric-Aware PCA as a Linear Instance of Geometric Deep Learning

• arxiv url: http://arxiv.org/abs/2605.27456v1
• Date: Mon, 25 May 2026 16:07:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.293362
• Title: Metric-Aware PCA as a Linear Instance of Geometric Deep Learning
• Title（参考訳）: 幾何学的深層学習の線形例としてのメトリック・アウェアPCA
• Authors: Michael Leznik,
• Abstract要約: Metric-Aware principal Component Analysis (MAPCA)は、正定距離行列による主成分分析をパラメータ化する。 本稿では,MAPCAを幾何学的深層学習フレームワークに位置づける。 我々はMAPCAと幾何学的深層学習の正確な辞書を構築した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geometric deep learning organises neural architectures around the symmetries of their data domain, with the choice of symmetry group serving as a geometric prior that determines what representations can be learned. Metric-Aware Principal Component Analysis (MAPCA) parameterises principal component analysis by a positive-definite metric matrix, with a canonical subfamily interpolating between standard PCA and output whitening and a diagonal-metric point recovering Invariant PCA (IPCA). This paper positions MAPCA within the geometric deep learning framework. The metric is read as the geometric prior; the orthogonal group preserving it is the symmetry group it induces; MAPCA solutions are equivariant under this group with the resulting spectrum invariant; and MAPCA's defining constraint is the linear analogue of the Schur-type weight constraints used in equivariant networks. Across six axes - domain, symmetry group, equivariance, invariance, architectural primitive, and geometric prior - we construct a precise dictionary between MAPCA and geometric deep learning. The technical anchor is a uniqueness theorem characterising IPCA as the unique linear data-derived metric in the MAPCA family that is equivariant under arbitrary diagonal rescaling and projects onto the fixed-point set of the action, equivalent under normalisation to the variance-maximisation criterion in its precise form. The paper closes with three bridges: kernel PCA as the nonlinear extension, spectral graph methods as MAPCA on graphs, and a deep MAPCA construction extending the positioning into deep equivariant networks
• Abstract（参考訳）: 幾何学的深層学習(Geometric Deep Learning)は、そのデータ領域の対称性を取り巻くニューラルネットワークを組織し、どの表現が学べるかを決定する幾何学的先行として機能する対称性群を選択する。 Metric-Aware principal Component Analysis (MAPCA) は、標準PCAと出力白化を補間する正定距離行列による主成分分析をパラメータ化する。 本稿では,MAPCAを幾何学的深層学習フレームワークに位置づける。 計量は幾何先行として読み出され、それを保存する直交群はそれが引き起こす対称性群であり、MAPCA解は帰結するスペクトル不変量と共にこの群の下で同変であり、MAPCAの定義制約は同変ネットワークで使われるシュア型重み制約の線型類似物である。 6つの軸(領域、対称性群、等分散、構造的プリミティブ、幾何学的事前)にわたって、MAPCAと幾何学的深層学習の正確な辞書を構築する。 技術的アンカー(英: technical anchor)は、IPCAを任意の対角的再スケーリングの下で同変であるMAPCA族における一意線型データ導出計量として特徴づける一意性定理である。 この論文は、非線形拡張としてのカーネルPCA、グラフ上のMAPCAとしてのスペクトルグラフ法、深部MAPCA構成の3つのブリッジで締めくくっている。

関連論文リスト

• Beyond Rigid Geometries: The Spline-Pullback Metric for Universal Diffeomorphic SPD Representation Learning [2.704566511657017]
  本稿では,SPM(Spline-Pullback Metric)とCholesky-SPM(Cholesky-SPM)について紹介する。 階数不変量 B-スプライン を通じて大域微分同相をパラメータ化することにより、SPM は、厳密に$C1$微分同相を増大させるような密接な普遍近似器として機能する。 SPMは、Linear Probes、SPDNets、Deep Riemannian ResNetsを使用して、3つのデータセットにわたる最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-05-06T01:55:45Z)
• Curvature-Aware PCA with Geodesic Tangent Space Aggregation for Semi-Supervised Learning [52.452902154360565]
  GTSA-PCAは主成分分析の幾何学的拡張である。 曲率認識と測地的整合性を統合されたスペクトルフレームワークに統合する。 以上の結果から,GTSA-PCAは次元減少に対する統計的および幾何学的アプローチの原則的ブリッジとして位置づけられた。
  論文  参考訳（メタデータ） (2026-04-20T20:36:36Z)
• Geometric structures and deviations on James' symmetric positive-definite matrix bicone domain [7.183268823159973]
  我々は2つの新しい構造、フィンスラー構造と2つの情報幾何学構造を導入する。 これらの構造は、測地線が適切な座標系における直線に対応することを保証している。 これらのフィンスラー/双対ヘッセン構造のいくつかの応用について議論し、新しい相違点と伝統的な相違点の間に様々な不等式を提供する。
  論文  参考訳（メタデータ） (2026-03-03T00:10:32Z)
• CAT: Curvature-Adaptive Transformers for Geometry-Aware Learning [0.0]
  Curvature-Adaptive Transformer (CAT) は、軽量で微分可能なゲーティング機構を通じて、3つの幾何学的注意枝にまたがるトーケン毎のルーティングを学習する。 知識グラフ補完ベンチマークでは、CATは最小限のオーバーヘッドで固定幾何ベースラインに対して、MRRとHits@10の約10%の改善を実現している。
  論文  参考訳（メタデータ） (2025-10-02T03:26:33Z)
• PAID: Pairwise Angular-Invariant Decomposition for Continual Test-Time Adaptation [70.98107766265636]
  本稿では,事前学習した重みの幾何学的特性を出発点として,3つの重要な成分(等級,絶対角,対角構造)を体系的に解析する。 両角構造は多種多様なドメインにわたって安定であり, ドメイン不変な意味情報を符号化し, 適応中に保存すべきことを示唆する。
  論文  参考訳（メタデータ） (2025-06-03T05:18:15Z)
• Incorporating Arbitrary Matrix Group Equivariance into KANs [69.30866522377694]
  Kolmogorov-Arnold Networks (KAN) は科学分野で大きな成功を収めている。 本研究では,Equivariant Kolmogorov-Arnold Networks (EKAN)を提案する。
  論文  参考訳（メタデータ） (2024-10-01T06:34:58Z)
• Understanding Matrix Function Normalizations in Covariance Pooling through the Lens of Riemannian Geometry [63.694184882697435]
  グローバル共分散プーリング(GCP)は、高レベルの表現の2階統計を利用して、ディープニューラルネットワーク(DNN)の性能を向上させることが実証されている。 本稿では、リーマン幾何学の観点から行列対数とパワーの包括的かつ統一的な理解を提供する。
  論文  参考訳（メタデータ） (2024-07-15T07:11:44Z)
• Differential geometry with extreme eigenvalues in the positive semidefinite cone [1.9116784879310025]
  本稿では,超一般化固有値の効率に基づくSPD値データの解析と処理のためのスケーラブルな幾何学的枠組みを提案する。 我々は、この幾何学に基づいて、SPD行列の新たな反復平均を定義し、与えられた有限個の点の集合に対するその存在と特異性を証明する。
  論文  参考訳（メタデータ） (2023-04-14T18:37:49Z)
• Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
  DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
  論文  参考訳（メタデータ） (2021-06-14T17:19:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。