A randomized scheme that succeeds with probability $1-\delta$ (for any $\delta>0$) has been devised to construct (1) an equidistributed $\epsilon$-cover of a compact Riemannian symmetric space $\mathbb M$ of dimension $d_{\mathbb M}$ and antipodal dimension $\bar{d}_{\mathbb M}$, and (2) an approximate $(\lambda_r,2)$-design, using $n(\epsilon,\delta)$-many Haar-random isometries of $\mathbb M$, where \begin{equation}n(\epsilon,\delta):=O_{\mathbb M}\left(d_{\mathbb M}\ln \left(\frac 1\epsilon\right)+\log\left(\frac 1\delta\right)\right)\,,\end{equation} and $\lambda_r$ is the $r$-th smallest eigenvalue of the Laplace-Beltrami operator on $\mathbb M$. The $\epsilon$-cover so-produced can be used to compute the integral of 1-Lipschitz functions within additive $\tilde O(\epsilon)$-error, as well as in comparing persistence homology computed from data cloud to that of a hypothetical data cloud sampled from the uniform measure.


翻译:本文提出了一种随机方案,成功率为 $1-\delta$(对于任何 $\delta>0$),用于构造(1)紧 Riemannian 对称空间 $\mathbb{M}$ 的一个等分布的 $\epsilon$-覆盖,其维度为 $d_{\mathbb{M}}$,反极维度为 $\bar{d}_{\mathbb{M}}$,以及(2)使用 $n(\epsilon,\delta)$ 个 Haar 随机等距映射近似 $(\lambda_r,2)$-设计,其中 \begin{equation}n(\epsilon,\delta):=O_{\mathbb{M}}\left(d_{\mathbb{M}}\ln \left(\frac 1\epsilon\right)+\log\left(\frac 1\delta\right)\right)\,,\end{equation} 而 $\lambda_r$ 是 $\mathbb{M}$ 上 Laplace-Beltrami 算子的第 $r$ 小特征值。所产生的 $\epsilon$-覆盖可用于计算 1-Lipschitz 函数的积分,误差为 $\tilde O(\epsilon)$,以及将数据云计算的持久性同调与假设从均匀分布中采样的数据云的持久性同调进行比较。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
专知会员服务
42+阅读 · 2020年12月18日
专知会员服务
50+阅读 · 2020年12月14日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2023年6月2日
Arxiv
0+阅读 · 2023年6月1日
VIP会员
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员