論文の概要: Shape Operator PCA: Curvature-Aware Projections for Geometric Machine Learning

• arxiv url: http://arxiv.org/abs/2608.15313v1
• Date: Sat, 15 Aug 2026 16:37:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.256952
• Title: Shape Operator PCA: Curvature-Aware Projections for Geometric Machine Learning
• Title（参考訳）: 形状演算子PCA:幾何機械学習のための曲率認識投影
• Abstract要約: SHOPCA (Shape Operator-based principal Component Analysis) は、教師なしメトリック学習と次元減少のための新しい手法である。 我々は、50以上の実世界のベンチマークデータセット上でSHOPCAを評価する。
• 参考スコア（独自算出の注目度）: 52.452902154360565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose SHOPCA (Shape Operator-based Principal Component Analysis), a novel method for unsupervised metric learning and dimensionality reduction that incorporates differential geometric information into the covariance structure of classical PCA. SHOPCA regularizes the global covariance matrix using the mean shape operator, defined as the average of the absolute local shape operators estimated from the data manifold, steering principal components toward directions of both maximum variance and informative curvature. A single trace-normalized mixing coefficient $α$ controls the regularization, recovering standard PCA at $α= 0$ and a curvature-driven embedding as $α\to \infty$. We further introduce a fully unsupervised criterion for selecting $α$ based on the spectral eigengap of the regularized covariance matrix, maximizing the relative separation between the top-$d$ and remaining eigenvalues without using class labels. We evaluate SHOPCA on more than 50 real-world benchmark datasets, comparing it with PCA, ISOMAP, and UMAP using Adjusted Rand Index (ARI), Normalized Mutual Information (NMI), Fowlkes-Mallows index (FM), and V-measure. Results show that SHOPCA consistently improves clustering quality over PCA across a broad range of datasets and surpasses UMAP on small-sample settings, where iterative neighborhood-based manifold estimation can degrade. SHOPCA is computationally tractable, parameter-efficient, and applicable to domains requiring fully unsupervised, geometry-aware dimensionality reduction.
• Abstract（参考訳）: 本稿では,従来のPCAの共分散構造に微分幾何学情報を組み込んだ,教師なしメトリック学習と次元減少のための新しい手法であるSHOPCA(Shape Operator-based principal Component Analysis)を提案する。 SHOPCAは、データ多様体から推定される絶対局所形状演算子の平均として定義される平均形状演算子を用いて、大域的共分散行列を正則化し、主成分を最大分散および情報曲率の両方の方向に操る。 単一のトレース正規化混合係数$α$は正規化を制御し、標準PCAを$α=0$で回収し、曲率駆動の埋め込みを$α\to \infty$とする。 さらに、正規化共分散行列のスペクトル固有ギャップに基づいて$α$を選択するための完全な教師なし基準を導入し、クラスラベルを使わずに、上位d$と残りの固有値の相対的分離を最大化する。 ARI(Adjusted Rand Index)、NMI( Normalized Mutual Information)、FM(Fowlkes-Mallows Index)、V-measure(V-measure)を用いて、50以上の実世界のベンチマークデータセット上でSHOPCAを評価し、PCA、ISOMAP、UMAPと比較した。 以上の結果から,SHOPCAはPCAのクラスタリング品質を一定に向上し,反復的な近傍多様体推定が低下する小サンプル環境ではUMAPを上回っていることがわかった。 SHOPCAは計算的に抽出可能で、パラメータ効率が高く、完全に教師なし、幾何学的に認識された次元の減少を必要とする領域に適用できる。

関連論文リスト

• Active Learning with Low-Rank Structure for Data Selection [85.43185363043362]
  低ランク近似と残差に基づくサンプリングに基づく新しいデータ選択フレームワークを提案する。 平均損失がデータセット全体の平均損失を近似した$tildeOleft(k + frac1varepsilon2right)$データポイントの重み付きサブセットを選択することができることを示す。
  論文  参考訳（メタデータ） (2026-06-14T22:29:59Z)
• Efficient Mean Curvature Computation on High-Dimensional Data Manifolds [52.452902154360565]
  高次元データセットの各点における局所的な平均曲率の推定は、機械学習アルゴリズムの重要な要素である。 本稿では,このコストを桁違いに削減する2つの補完的貢献を紹介する。 実世界のデータセットの実験では、オリジナルの実装と比較して50倍から300倍のスピードアップが確認されている。
  論文  参考訳（メタデータ） (2026-06-04T16:04:31Z)
• BOOOM: Loss-Function-Agnostic Black-Box Optimization over Orthonormal Manifolds for Machine Learning and Statistical Inference [0.0]
  我々は体系的な調査を行う。 対価のセット 直交円柱-直交円柱-直交円柱をaを通して脱出する。 データデータに適用されたノベル。 問題だ 対角最適化の枠組みを示す。 強力で低ランクな分解、独立的な分解分析。 環境下でのグローバルな収束です
  論文  参考訳（メタデータ） (2026-04-23T19:32:27Z)
• 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)
• The $φ$-PCA Framework: A Unified and Efficiency-Preserving Approach with Robust Variants [0.0]
  我々は、ロバストで分散したPCAの統一的な定式化を提供する$phi$-PCAフレームワークを紹介した。 我々は,$phi$-PCAの根底にある分割集約原理が,ロバストで効率的な保存手法を開発するための一般的な戦略であることを示す。
  論文  参考訳（メタデータ） (2025-10-15T05:21:11Z)
• sparseGeoHOPCA: A Geometric Solution to Sparse Higher-Order PCA Without Covariance Estimation [8.802387139798808]
  本稿では,高次主成分分析(SHOPCA)のための新しいフレームワークを提案する。 本稿では,SparseGeoHOPが高次元画像設定とImageNet上でサポートされていることを示す。
  論文  参考訳（メタデータ） (2025-06-10T10:30:48Z)
• 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)
• Fair PCA, One Component at a Time [2.5056643038238504]
  Min-Max Fair PCA問題では、グループ間で可能な限りバランスの取れたマルチグループデータの低ランクな表現を求める。 この問題に対する既存のアプローチはランク-d$フェア部分空間を返すが、標準PCAの基本的な包含性は欠如している。 フェアプライマリコンポーネントを,グループ単位の最大再構成誤差を最小限に抑える方向として定義する。 このアプローチは、標準PCAの格納特性を保ち、単一のグループを持つデータに対する標準pcaに還元する。
  論文  参考訳（メタデータ） (2025-03-27T14:47:27Z)
• Sparse PCA with Oracle Property [115.72363972222622]
  新規な正規化を伴うスパースPCAの半定緩和に基づく推定器群を提案する。 我々は、家族内の別の推定器が、スパースPCAの標準半定緩和よりも、より急激な収束率を達成することを証明した。
  論文  参考訳（メタデータ） (2023-12-28T02:52:54Z)

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。