PCA也能搬进Wasserstein空间了！分布数据降维迎来典范扩展
Lifting PCA in the Wasserstein Space
📖 AI 总结
该论文提出“提升主成分分析”（Lifted PCA），将欧氏空间中的主成分分析（PCA）通过凸扩展框架推广到Wasserstein空间，用以处理分布值数据。作者从Stiefel流形和Grassmann流形上PCA的经典变分形式出发，推导出两个等价的概率测度极小化问题，对应广义代价下的Wasserstein重心，并证明提升后仍保持欧氏PCA中两种形式等价的结构。研究进一步给出对偶形式与最优性条件，建立其与多边际最优传输及团队匹配问题的联系，证明经验估计量的统计一致性，并基于Stiefel流形上的Wasserstein重心设计计算算法。与欧氏PCA用低维线性子空间投影概括向量不同，Lifted PCA用一个支撑于多个低维子空间的最优概率测度来概括概率分布。分布数据的数值实验验证了方法的实际性能及其在分布数据分析中的价值。
🔑 关键词速览
| Wasserstein空间 | 赋予Wasserstein距离的概率测度空间，用于衡量分布之间的最优传输成本。 |
| 提升PCA (Lifted PCA) | 通过凸扩展将欧几里得PCA典范地推广到Wasserstein空间的方法，用于总结分布值数据。 |
| Stiefel流形 | 所有具有正交列的矩阵构成的流形，常用于表示低维线性子空间的正交基。 |
| Grassmann流形 | 所有固定维数线性子空间构成的流形，是Stiefel流形在正交群作用下的商流形。 |
| Wasserstein重心 | 在Wasserstein空间中定义的概率测度平均，是欧几里得平均在最优传输框架下的推广。 |
📱 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