論文の概要: Learning the Geometry of Data: A Mathematical Review of Shape Space Analysis

• arxiv url: http://arxiv.org/abs/2606.17022v1
• Date: Mon, 15 Jun 2026 17:50:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:05.126151
• Title: Learning the Geometry of Data: A Mathematical Review of Shape Space Analysis
• Title（参考訳）: データ幾何学の学習:形状空間解析の数学的考察
• Authors: Gary P. T. Choi, Khanh Dao Duc, Shira Faigenbaum-Golovin, Karen Habermann, Emmanuel Hartman, Christoph von Tycowicz, Chi Zhang, Wenjun Zhao, Felix Zhou,
• Abstract要約: 機械学習の主な目的は、データの構造とパターンを特定することである。 従来の機械学習手法は、これらのデータの基礎となる非線形幾何学構造を考慮に入れていないことが多い。 このサーベイは、形状空間分析に関する急速に成長する研究の体を合成する。
• 参考スコア（独自算出の注目度）: 6.027669163011307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A central objective of machine learning is to identify structure and patterns in data. Advances in data acquisition have increasingly produced datasets whose observations possess rich geometric form, giving rise to shape spaces that encode variability in object geometry. Such datasets arise across a wide range of disciplines, including biology, medicine, anthropology, and computer vision, where subtle geometric differences often carry important scientific information. Traditional machine learning methods, however, are frequently ill-equipped to account for the nonlinear geometric structure underlying these data. This survey synthesizes a rapidly growing body of work on shape space analysis, which provides a mathematical and computational framework for the study of geometric data. Drawing on ideas from differential geometry, statistics, and machine learning, we organize the literature around a common analytical pipeline: shape representation and parameterization, the rigorous construction of robust geodesic metrics, statistical analysis on shape spaces, and geometry-aware learning methods. We discuss how these tools enable the characterization of shape variability, the comparison of geometric objects, and the analysis of structural trajectories across populations and time. To illustrate the breadth of the field, we highlight applications spanning multiple scales of biological organization, including studies of subcellular morphology and primate tooth evolution. Across these and many other domains, researchers face common challenges arising from complex, nonlinear, and often unaligned geometric variation. The review concludes by identifying key theoretical and computational challenges, as well as emerging opportunities driven by increasingly large and diverse geometric datasets.
• Abstract（参考訳）: 機械学習の主な目的は、データの構造とパターンを特定することである。 データ取得の進歩は、観測がリッチな幾何学的形状を持つデータセットを生み出し、オブジェクト幾何学における可変性をエンコードする形状空間を生み出している。 このようなデータセットは生物学、医学、人類学、コンピュータビジョンなど幅広い分野にまたがっており、微妙な幾何学的差異は重要な科学的情報をもたらすことが多い。 しかし、従来の機械学習手法は、これらのデータの基礎となる非線形幾何学構造を考慮に入れていないことが多い。 本研究は,幾何データ研究のための数学的・計算的な枠組みを提供する形状空間解析に関する,急速に発展する研究成果を合成する。 微分幾何学、統計学、機械学習のアイデアに基づいて、形状表現とパラメータ化、頑健な測地線メトリクスの厳密な構築、形状空間の統計解析、幾何認識学習法といった、共通の分析パイプラインに関する文献を整理する。 本稿では,これらのツールが形状の多様性,幾何学的対象の比較,および個体群と時間間の構造的軌跡の分析を可能にする方法について論じる。 フィールドの広さを説明するために, 細胞内形態学や霊長類歯の進化など, 生物組織を複数スケールにまたがる応用を紹介した。 これらの領域と他の多くの領域において、研究者は複雑で非線形で、しばしば不整合な幾何学的変動から生じる共通の課題に直面している。 このレビューは、重要な理論的および計算上の課題と、ますます大きく多様な幾何学的データセットによって引き起こされる新たな機会を特定することで締めくくられる。

関連論文リスト

• A roadmap for curvature-based geometric data analysis and learning [3.5808917363708743]
  本稿では,既存の離散曲率モデルの包括的レビューを行い,その数学的基礎,計算定式化,およびデータ解析と学習における実践的応用について述べる。 最後に、教師なし学習と教師なし学習の両方における曲率の最先端応用について概説する。
  論文  参考訳（メタデータ） (2025-10-26T09:31:41Z)
• A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [71.809127869349]
  本稿では、幾何学的メッセージパッシングの観点から、既存のモデルの統一的なビューを提供するデータ構造として幾何学的グラフを定式化する。 また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
  論文  参考訳（メタデータ） (2024-03-01T12:13:04Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials [66.14337835284628]
  幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。 Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
  論文  参考訳（メタデータ） (2023-06-15T05:37:25Z)
• Geometric Algebra Attention Networks for Small Point Clouds [0.0]
  物理科学における問題は、2次元または3次元空間における比較的小さな点集合を扱う。 これらの小点雲上での深層学習のための回転・置換同変アーキテクチャを提案する。 物理, 化学, 生物学に関連するサンプル問題を, モデルを用いて解くことにより, これらのアーキテクチャの有用性を実証する。
  論文  参考訳（メタデータ） (2021-10-05T22:52:12Z)
• Computational Analysis of Deformable Manifolds: from Geometric Modelling to Deep Learning [0.0]
  非平坦空間の多様性が豊富な研究領域を提供することを示す。 形状処理とデータ解析のための幾何学的手法について検討する。
  論文  参考訳（メタデータ） (2020-09-03T16:50:48Z)
• Representations, Metrics and Statistics For Shape Analysis of Elastic Graphs [21.597624908203805]
  本稿では,道路網や血管,脳線維路などのグラフィカルな物体の形状を解析するための遠距離幾何学的手法を提案する。 任意の形(エッジ)の曲線で作られ、任意のジャンクション(ノード)で連結されたグラフとして、ジオメトリーとトポロジーの両方の違いを示す、そのような対象を表す。
  論文  参考訳（メタデータ） (2020-02-29T16:07:48Z)

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。