有向数据嵌入新突破：Finsler流形让方向信息不再丢失，嵌入算法同时恢复流形结构与潜在漂移！
A Finslerian Approach for Embedding Directed Data
📖 AI 总结
该研究针对有向数据在传统谱嵌入方法中因对称化处理而丢失方向信息的问题，提出了一种基于Finsler几何的嵌入框架。作者将方向性数据建模为从Finsler流形采样的结果，其距离依赖于行进方向，并研究了由此非对称距离构建的核算子。通过对该算子进行矩展开，他们证明其对称部分与反对称部分分别编码了几何结构与方向信息：当核带宽趋于零时，对称部分收敛于加权拉普拉斯算子，在黎曼情形下可恢复扩散映射；反对称部分则收敛于一阶输运算子，刻画了数据的内在方向性。作者进一步证明了由有限样本构建的图算子几乎必然一致收敛于上述极限。对于Randers度量，该向量场具有显式表达，并由此导出一个嵌入算法，可同时从对称部分的谱中恢复流形结构并提取潜在漂移。研究在合成有向图和点云上验证了该方法的有效性。
🔑 关键词速览
| Finsler流形 | 一种度量空间，其距离函数依赖于方向，推广了黎曼流形，用于建模有向数据。 |
| 谱嵌入 | 利用图或数据矩阵的特征值和特征向量将数据映射到低维空间的方法。 |
| 扩散映射 | 一种基于扩散过程的非线性降维方法，通过拉普拉斯算子的特征映射揭示数据几何。 |
| Randers度量 | Finsler度量的一种特殊形式，由黎曼度量和一个线性项组成，常用于有向空间建模。 |
| 传输算子 | 描述数据中方向性流动或漂移的一阶微分算子，在极限中编码方向信息。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅