Atlas-Learn：从点云构建流形图册的工程实践与黎曼优化应用

1. 项目概述：从点云到流形图册的工程实践

在机器学习和数据科学领域，我们常常面对一个核心困境：数据点看似散落在高维的欧几里得空间中，但其内在的、有意义的规律却往往存在于一个低维的非线性结构上。想象一下，你有一堆从不同角度拍摄的同一张人脸的二维图像，每张图像由数百万像素组成（高维空间），但所有可能的图像其实都位于一个由人脸姿态、光照、表情等少数几个参数决定的低维“曲面”上。这个曲面，在数学上就是一个流形。流形学习的根本目标，就是从这个高维点云中，将这个低维的“形状”或结构恢复出来。

传统的线性降维方法，如PCA，在处理这种复杂的非线性结构时往往力不从心。而像Isomap、LLE、t-SNE这类非线性方法，虽然有效，但通常缺乏一个全局的、可微的几何描述框架。这就像你有一张世界地图的碎片，每张碎片都是局部的、精确的，但你不知道如何将它们无缝拼接成一张完整的地图。Atlas-Learn要解决的，正是这个问题。它不仅仅是一个降维算法，更是一个流形基础设施的构建工具。其核心思想是，为这个复杂的低维曲面（流形）构建一个图册——即一系列局部地图（坐标卡），并定义好地图之间重叠区域的转换规则（转移映射）。一旦这个图册构建完成，整个流形上的几何计算，如距离、梯度、优化，都可以在简单的局部坐标下进行，再通过转换规则拼合成全局结果。

这项技术的工程价值巨大。在计算机视觉中，它可以用于建模物体的形状空间；在机器人学中，可以描述机械臂的配置空间；在计算生物学中，可以分析蛋白质的构象空间。而本文重点探讨的，是其在黎曼优化中的应用，特别是在Grassmann流形上在线估计Fréchet均值这一经典问题。通过将复杂的流形运算“拉回”到我们熟悉的欧几里得坐标卡中进行准欧几里得更新，Atlas-Learn能够实现比传统黎曼优化库（如Pymanopt）更高效的在线学习，尤其适合处理大规模或数据流场景。

2. 核心原理：图册、差异与局部近似

要理解Atlas-Learn，必须从流形和图册的数学定义入手。这不是为了炫技，而是为了弄明白算法每一个步骤背后的“为什么”，从而在应用和调试时心中有数。

2.1 图册与可微结构：数学上的严格定义

一个d维流形M，直观上就是一个在每个局部都“看起来像”d维欧几里得空间的空间。数学上，我们通过图册来严格定义它。一个图册A由三部分组成：

1. 一族开集{V_i}，它们覆盖了流形M。
2. 坐标卡φ_i: V_i → R^d，每个都是一个将流形上的局部区域V_i映射到d维欧氏空间的开集的同胚（连续且逆也连续的双射）。你可以把φ_i想象成给流形上的一个小块区域赋予了一个“本地坐标系”。
3. 转移映射ψ_{ij}: V_{ij} → V_{ji}，其中V_{ij} = φ_i(V_i ∩ V_j)。当两个坐标卡的区域有重叠时，转移映射定义了如何从一个卡的坐标切换到另一个卡的坐标。具体来说，对于重叠区域的一个点，它在两个卡中的坐标分别为ξ和η，那么有 η = ψ_{ij}(ξ)。一个关键的性质是，如果流形是可微的，那么这些转移映射也必须是可微的。

图册差异是衡量我们学到的图册A是否逼近一个真正可微图册的核心指标。它的定义是：discrepancy(A) = sup_{i,j} sup_{ξ ∈ V_{ij}} || φ_i(ξ) - φ_j(ψ_{ij}(ξ)) ||这个公式度量了最坏情况下，一个点在两个不同坐标卡下的“坐标表示”在原始的、高维的嵌入空间R^D中的距离。如果这个差异为0，意味着对于重叠区域的所有点，无论你用哪个坐标卡去描述它，再映射回高维空间，得到的是同一个点。这正是可微图册的定义所要求的。Lemma 1严格证明了当差异为0时，转移映射必然满足 ψ_{ij} = φ_j^{-1} ◦ φ_i，即它正是通过两个坐标卡映射的复合来实现的。

注意：在实际从有限点云学习时，我们无法达到零差异。但Atlas-Learn的理论保证（见附录C.4）表明，当采样点数量n趋于无穷时，算法构建的图册差异会趋于0。这意味着，在足够多的数据下，我们学到的结构会收敛到一个真正的可微流形图册。这是算法可靠性的基石。

2.2 黎曼度量在局部坐标下的表示

一旦有了流形，我们往往还想在上面做计算，比如测量曲线的长度、计算梯度，这就需要在每个切空间上定义内积，即黎曼度量g。在高维嵌入空间R^D中，子流形M自然地继承了标准欧氏内积作为其黎曼度量。

在局部坐标卡(V, φ)下，如何表示这个度量呢？设点p对应坐标ξ = φ(p)。切空间T_pM中的向量v，在坐标卡下表示为τ = Dφ|_p (v)（即映射φ在p点的微分作用在v上）。那么，度量g在坐标下的表达式为：g_ξ(τ, τ') = τ^T (Dφ^{-1}|_ξ)^T (Dφ^{-1}|_ξ) τ'这里Dφ^{-1}是坐标映射φ的逆的微分。这个公式的意思是：要计算两个切向量在流形上的内积，先把它们在坐标下的表示τ, τ'用Dφ^{-1}“拉回”到切空间的标准表示（在R^D中），再用R^D的标准内积计算。

在Atlas-Learn的实践中，我们通过局部二次近似来估计Dφ^{-1}。对于学习到的第i个坐标卡，我们有近似映射：x ≈ (1/2) M_i K_i (ξ ⊗ ξ) + L_i ξ + x_i。这里，L_i的列张成了切空间，M_i的列张成了法空间，K_i编码了曲率信息。在这个近似下，Dφ^{-1}在ξ处的值近似为M_i K_i (ξ ⊗ 1) + L_i。因此，黎曼度量在坐标下的矩阵（即度量张量）就近似为(M_i K_i (ξ ⊗ 1) + L_i)^T (M_i K_i (ξ ⊗ 1) + L_i)。当曲率很小（K_i接近0）时，它就近似于L_i^T L_i，如果L_i是标准正交的，那就是单位矩阵，这正是“准欧几里得”更新的几何基础——在局部，流形看起来几乎是平的。

2.3 局部二次近似：从点云到坐标卡

这是Atlas-Learn从数据中学习每个坐标卡的核心算法步骤。给定一个点云数据集X（N个D维点），并且我们通过某种方式（例如，使用k-medoids算法）将数据划分到了k个簇中，每个簇S_j对应一个待学习的坐标卡。

对于簇S_j中的点，我们执行以下步骤来构建局部模型：

1. 计算均值与中心化：计算簇内点的均值x_j，得到中心化后的矩阵X_tilde = X - x_j。
2. 局部PCA与切空间估计：计算局部协方差矩阵Σ = (1/N) X_tilde^T X_tilde。对其进行特征值分解，选取前d个最大特征值对应的特征向量组成矩阵L_j ∈ R^{D×d}。L_j的列空间就是该点邻域切空间的估计。剩下的D-d个特征向量组成M_j ∈ R^{D×(D-d)}，张成法空间。
3. 切坐标与法坐标投影：将中心化数据投影到切空间和法空间：τ = X_tilde L_j(N×d矩阵)，n = X_tilde M_j(N×(D-d)矩阵)。
4. 二次关系拟合：我们假设法坐标n可以由切坐标τ通过一个二次多项式来近似：n ≈ τ * h，其中h是待求的系数矩阵。但更自然的表示是引入一个三线性形式K_j（一个(D-d)×d×d的张量）和一个常数向量a_j，使得：ν ≈ (1/2) K_j (ξ ⊗ ξ) + a_j这里ξ是一个d维切坐标向量，ν是对应的法坐标向量。通过构造一个设计矩阵t（其行由τ的各行的1、一次项和所有二次项组成），我们可以用最小二乘法h_hat = (t^T t)^{-1} t^T n来求解系数，并将其重新整理成K_j和a_j的形式。
5. 完��局部映射：最终，我们从局部坐标ξ映射回高维空间的近似公式为：x ≈ φ_j(ξ) = (1/2) M_j K_j (ξ ⊗ ξ) + L_j ξ + x_j其中x_j是均值点。这个映射的微分Dφ_j(ξ)就是M_j K_j (ξ ⊗ 1) + L_j，如前所述。

实操心得：局部二次近似的有效性强烈依赖于邻域的大小和流形的曲率。如果邻域太大，二次模型可能无法拟合高度非线性的区域；如果邻域太小，则数据点太少，拟合不稳定，容易过拟合。在实践中，通常需要通过交叉验证或基于残差（近似误差||n - t h_hat||）的启发式方法来确定合适的邻域半径或近邻数k。当数据非常稀疏时，算法会退化为只学习线性部分（L_j和x_j），将K_j设为零。

3. Atlas-Learn算法全流程与实现细节

掌握了核心原理后，我们来看Atlas-Learn如何将这些数学概念组织成一个完整的算法。算法2（Atlas-Learn）给出了高层框架，这里我们拆解其每一步的工程实现与考量。

3.1 算法步骤拆解与时间复杂度分析

输入：高维点云X ∈ R^{N×D}，预估的流形本征维度d，要学习的坐标卡数量k，构建近邻图时的邻居数ν。

步骤1：构建近邻图

• 操作：基于点云X，构建一个ν-近邻图G。边的权重通常使用欧氏距离。
• 为什么：近邻图捕获了数据的局部连通性，是后续聚类和局部几何估计的基础。使用图距离（最短路径距离）可以更好地近似流形上的测地线距离，尤其是在流形弯曲或存在“空洞”时。
• 时间复杂度：朴素实现需要计算所有点对距离，为O(DN^2)。对于大规模数据，这是主要瓶颈。必须使用近似近邻搜索算法，如基于KD树、Ball Tree或局部敏感哈希的方法，可以将复杂度降至O(N log N)量级。

步骤2：基于图的聚类

• 操作：在近邻图G上运行k-medoids算法，将数据划分为k个簇{X_1, ..., X_k}。Medoid是簇中到其他所有点距离之和最小的点，作为该簇的代表点（即未来坐标卡的中心x_j）。
• 为什么选择k-medoids？与k-means相比，k-medoids使用实际的数据点作为中心，对异常值更鲁棒，并且可以直接使用图距离作为度量，这与流形假设更吻合。
• 时间复杂度：标准的FasterPAM算法复杂度为O(kN^2)。对于大规模数据，可以使用诸如CLARA或基于采样的变种，将复杂度降低到O(kN)。

步骤3：为每个簇学习局部二次模型

• 操作：对每个簇X_j，调用LocalQuadraticApproximation函数，得到：
  • x_j: 簇中心（均值）。
  • L_j, M_j: 切空间和法空间的正交基。
  • K_j: 编码二次曲率的三线性形式。
• 时间复杂度（针对一个簇）：
  • 计算均值x_j: O(N_j D)，其中N_j是簇大小。
  • SVD分解求L_j, M_j: O(N_j D d)。
  • 构造设计矩阵t和求解二次系数K_j: 最耗时的部分是计算(t^T t)的伪逆，复杂度为O(N_j d^4)。当本征维度d不大时（通常d<10），这是可接受的。如果d较大，则需要考虑使用正则化或迭代方法。

步骤4：计算最小体积包围椭球

• 操作：为每个簇X_j计算一个最小体积包围椭球，其方程形式为x^T A_j x + b_j^T x + c_j ≤ 0。这个椭球定义了坐标卡V_j在嵌入空间中的有效区域。
• 为什么：MVEE为每个坐标卡提供了一个清晰、凸的边界。当我们需要判断一个点（或其映射）是否还在当前坐标卡内时，只需计算这个二次型是否小于等于0。这比基于原始点云定义边界更简洁、更稳定。
• 实现：MVEE的计算可以通过Khachiyan算法等迭代方法求解，复杂度约为O(D^3 log(1/ε))，其中ε是精度。由于每个簇的数据量N_j通常远小于N，且D可能很高，这是算法中另一个计算成本较高的步骤。在实践中，有时会用轴对齐的包围盒或凸包来近似，以换取速度。

步骤5：组装图册对象

• 操作：将每个坐标卡的信息(x_j, L_j, M_j, K_j, A_j, b_j, c_j)存储起来，形成完整的图册数据结构A。
• 输出：这个数据结构A支持一系列后续几何操作的原语。

总览：整个Atlas-Learn离线学习阶段的时间复杂度主要由近邻图构建(O(N^2)或近似O(N log N))、k-medoids聚类(O(kN^2))和每个簇的局部模型学习(O(k * (N_j D d + N_j d^4)))主导。对于大规模数据，必须对前两步采用近似算法。

3.2 关键原语操作的实现与优化

图册A构建好后，我们需要在其上实现流形计算所需的基本操作。附录C.5详细分析了这些操作的时间复杂度，这里我们从工程角度解读。

1.in_domain(ξ)：判断点是否在坐标卡内

• 功能：给定局部坐标ξ，判断其对应的嵌入空间点φ(ξ)是否在当前坐标卡的MVEE内。
• 朴素实现：计算φ(ξ)^T A φ(ξ) + b^T φ(ξ) + c，复杂度O(D^2)，因为涉及D维向量的矩阵运算。
• 优化实现：利用局部二次模型φ(ξ) ≈ (1/2) M K (ξ⊗ξ) + L ξ + x_0，可以将计算转化为关于ξ的纯d维运算。通过预计算A4 = K^T M^T A M K,A3 = L^T A M K,A2 = L^T A L等矩阵，判断式变为ξ^T A2 ξ + ξ^T A3 (ξ⊗ξ) + (ξ⊗ξ)^T A4 (ξ⊗ξ) + b1^T ξ + b2^T (ξ⊗ξ) + c0 ≤ 0。复杂度降为O(d^4)。当d << √D时，这是巨大的性能提升。

2.identify_new_chart(Ret_ξ(τ))：识别新坐标卡

• 场景：当在当前坐标卡V_i中，从点ξ沿切向量τ进行准欧几里得更新（即简单加法：ξ_new = ξ + τ）后，新点可能超出了当前卡的边界。需要找到它属于哪个坐标卡。
• 策略：
  • 最近邻搜索：计算更新后的嵌入点x_new = φ_i(ξ_new)。在所有坐标卡的中心{x_j}中，寻找距离x_new最近的中心。可以使用局部敏感哈希或KD树加速。
  • 拟合度评估：对于候选卡V_j，计算x_new在其MVEE内的“得分”（即in_domain的值，越负说明越在内部）。或者，计算将x_new投影到V_j的切空间后，用其二次模型重建的误差。选择得分最好或误差最小的卡。
• 复杂度：如果检查常数c个最近邻的卡，每次检查需要O(D^2)或O(d^4)时间（取决于是否使用优化后的in_domain）。

3.φ(ξ)与Dφ(ξ)：坐标映射及其微分

• φ(ξ)：根据公式(1/2) M K (ξ⊗ξ) + L ξ + x_0计算，复杂度O(D d^2)，主要来自矩阵-向量乘法和外积运算。
• Dφ(ξ)：微分是M K (ξ ⊗ 1) + L。如果作用于一个切向量τ（在坐标下表示），计算Dφ(ξ)[τ] = M K (ξ ⊗ τ) + L τ，复杂度也是O(D d^2)。这个操作在计算拉回度量或进行向量传输时至关重要。

4.ψ_{ij}(ξ)：转移映射

• 功能：将点ξ从坐标卡V_i的坐标，转换到重叠区域在坐标卡V_j下的坐标。
• 公式：ψ_{ij}(ξ) = L_j^T [ (1/2) M_i K_i (ξ⊗ξ) + L_i ξ + x_i - x_j ]
• 优化：可以预计算L_j^T M_i K_i,L_j^T L_i,L_j^T (x_i - x_j)。这样，每次计算转移映射的复杂度为O(d^3)（主要来自(ξ⊗ξ)与三阶张量的缩并）。如果K_i=0（线性模型），则降为O(d^2)。

5.transition_vector(ξ, η, τ)：切向量传输

• 功能：将切空间T_ξ V_i中的向量τ，传输��T_η V_j中。这是实现不同坐标卡间向量平移（近似平行移动）的基础。
• 公式：τ_j = L_j^T [ M_i K_i (ξ ⊗ 1) + L_i ] τ
• 理解：首先，用Dφ_i(ξ)将坐标下的切向量τ提升到嵌入空间中的切向量。然后，将这个嵌入空间中的切向量，用L_j^T投影到坐标卡V_j的切空间中。这本质上是利用嵌入空间作为“中介”进行向量传输。
• 复杂度：同样，在预计算后为O(d^3)或O(d^2)。

3.3 准欧几里得更新与误差分析

在黎曼优化中，我们经常需要在流形上移动。标准的操作是指数映射Exp_p(v)，它从点p沿切方向v走一条测地线。但计算指数映射通常需要求解测地线方程，计算代价高昂。

Atlas-Learn采用了一种极其高效的近似：准欧几里得更新。在局部坐标卡V中，从点ξ移动到ξ_new，我们直接做向量加法：ξ_new = ξ + τ，其中τ是切向量在坐标下的表示。然后通过φ映射回流形：p_new = φ(ξ_new)。

为什么可以这样做？在坐标卡的原点附近（即局部邻域内），流形结构被φ近似为一个二次曲面。如果曲率很小（K很小），那么这个二次曲面就非常接近其切平面。此时，在坐标卡中的直线路径ξ + tτ，通过φ映射回流形，近似对应于流形上的一条测地线。这就是“准欧几里得”的含义——在局部坐标下，几何近似是欧几里得的。

误差有多大？附录B.1的定理1对此进行了严格分析。它比较了准欧几里得更新中的恒等向量传输（直接将切向量τ复制到新点，即T_{ξ→ξ+τ}: σ ↦ σ）与真正的平行移动P_{p→q} w之间的误差。

结论是：恒等向量传输近似平行移动的误差是O(||σ||_g * ||τ||_g^2)。这里||·||_g是黎曼度量下的范数。这是一个关键结论：误差与移动步长τ的平方成正比。这意味着，只要我们的更新步长τ足够小，在局部坐标卡内，这种简单的向量加法和恒等传输就是平行移动的一个很好的近似。这为在Atlas框架下进行高效的、基于梯度的优化算法（如随机黎曼梯度下降）提供了理论依据。

距离近似： 类似地，两点ξ_0, ξ_1在同一个坐标卡内的准欧几里得路径长度（公式8），可以用来近似它们之间的测地线距离。这个近似总是高估了真实距离，因为测地线是最短路径。对于不同坐标卡的点，算法通过构建一个稠密采样点图G_{δ,ε}，并在图上计算最短路径来近似测地距离（见第B.1.1节）。

4. 核心应用：Grassmann流形上的在线Fréchet均值估计

为了展示Atlas-Learn在黎曼优化中的威力，论文将其应用于一个经典问题：在Grassmann流形Gr(n, k)上在线估计Fréchet均值。Grassmann流形是所有n维线性空间中k维子空间的集合。它在信号处理、计算机视觉（如子空间跟踪）、推荐系统（矩阵补全）等领域有广泛应用。

4.1 Grassmann流形的Atlas表示：Ehresmann图册与特设坐标卡

Grassmann流形有一个经典的图册，称为Ehresmann图册。其构造基于一个关键观察：任何秩为k的投影矩阵P，都存在一个置换矩阵Π，使得Π^T P Π具有[I_k, 0; 0, 0]的块结构（经过适当变换后）。这对应于选择k个特定的基向量。

具体来说，对于指标集1 ≤ i1 < ... < ik ≤ n，定义置换π，将前k个位置映射到这些指标。对应的置换矩阵为P_{i1,...,ik}。那么，以P_{i1,...,ik} [I_k; 0] [I_k; 0]^T P_{i1,...,ik}^T为中心的坐标卡V_{i1,...,ik}，其坐标空间是R^{(n-k)×k}。一个点A ∈ R^{(n-k)×k} 通过映射φ^{-1}(A) = colproj( P_{i1,...,ik} [I_k; A] )对应到一个投影矩阵，其中colproj表示到列空间的正交投影。

为什么需要“特设”坐标卡？Ehresmann图册有C(n, k)个卡，覆盖了整个流形。但是，如果我们始终固定使用这些卡，那么当在线优化过程中，当前迭代点远离某个卡的中心时，准欧几里得更新的误差（O(||τ||^2)）可能会变得很大，因为τ的范数可能很大。

Claim 4给出了一个关键阈值：在一个Ehresmann坐标卡中，如果坐标A的所有元素的绝对值都小于1，那么该点离当前卡的中心比离任何其他Ehresmann卡的中心都近。反之，如果有坐标分量绝对值超过1，就该考虑切换到另一个卡了。

Atlas-Learn的策略是动态创建特设坐标卡。算法4和附录D.3描述了如何为一个给定点A（在某个Ehresmann卡V_0中）创建一个以它为中心的新坐标卡。核心是利用Grassmann流形在正交群O(n)作用下的齐性：对于任何点P，都存在一个正交矩阵Q，使得P = Q [I_k, 0; 0, 0] Q^T。Claim 3给出了从坐标A构造这个Q的显式公式。这样，我们就能创建一个新的坐标卡，其中心就在当前迭代点，从而保证后续的更新步长τ始终在原点附近，保持准欧几里得更新的高精度。

4.2 在线Fréchet均值估计算法

Fréchet均值是流形上概率分布的“中心”概念的推广，定义为使期望距离平方最小的点。在线估计意味着数据点一个一个到来，我们需要不断更新均值的估计。

算法8勾勒了在Atlas表示的Grassmann流形上的在线均值估计流程：

1. 初始化：从第一批数据中学习一个初始的Atlas图册，并初始化均值估计（例如，取第一个点，或第一批点的某种平均）。
2. 在线迭代：对于每个新到来的数据点Y_t（一个n×k矩阵，其列空间是Grassmann流形上的点）： a.识别/创建坐标卡：使用Atlas_Grassmann_identify_chart（算法5）找到当前均值估计μ_t所属的“最佳”坐标卡（通常是离它最近的Ehresmann卡，或者如果不在任何卡的“中心区域”，则创建一个以μ_t为中心的特设卡）。 b.将数据点“摄入”当前卡：使用Atlas_Grassmann_ingest_matrix（算法6）将新数据点Y_t映射到当前均值所在坐标卡的局部坐标系中，得到其局部坐标η_t。 c.计算黎曼对数映射的近似：在局部坐标卡中，两点ξ（均值坐标）和η_t（数据点坐标）之间的准欧几里得对数映射就是简单的向量差：Log_ξ(η_t) ≈ η_t - ξ。这是Atlas框架高效的关键！传统的Log计算需要复杂的SVD（见图6a, 6b）。 d.梯度步更新：均值估计的更新遵循随机梯度下降：ξ_{t+1} = ξ_t - γ_t * Log_{ξ_t}(η_t)，其中γ_t是学习率。由于Log近似为向量差，这步就是简单的欧氏空间向量减法：ξ_{t+1} = ξ_t - γ_t * (η_t - ξ_t)。 e.检查边界与切换坐标卡：更新后，检查ξ_{t+1}是否仍在当前坐标卡的有效域内（利用MVEE）。如果超出，则调用identify_new_chart找到新卡，并用转移映射ψ将ξ_{t+1}转换到新卡的坐标系中。

性能优势：

• 核心操作廉价：在线迭代中最核心的Log计算和梯度更新，在局部坐标下都是O(d)或O(d^2)的向量运算，d=k(n-k)是Grassmann流形的维度。相比之下，传统方法如GiFEE或Pymanopt（图6）需要为每个数据点计算SVD，复杂度至少是O(n k^2)。
• 自适应局部性：通过动态创建特设坐标卡，始终将迭代点保持在坐标卡中心附近，最大化准欧几里得近似的精度。
• 转移开销可控：坐标卡间的转移映射计算（O(d^3)）虽然比局部更新贵，但发生频率远低于更新步骤。只要学习率设置合理，使步长较小，点就不会频繁穿越边界。

4.3 实验设置与对比基准

论文中为了公平比较，设计了一个非均匀采样方案——测地线幂分布。给定一个中心点X ∈ Gr(n,k)和指数p>1，采样过程为：

1. 从Gr(n,k)上均匀采样一个点Y。
2. 计算X到Y的测地线距离δ。
3. 生成新点Y' = Exp_X( (δ/δ_max)^p * Log_X(Y) )。 指数p控制分布的集中程度：p越大，采样点越集中在中心X附近。这保证了总体Fréchet均值就是X，便于评估算法估计的准确性。

对比的基准算法包括：

• GiFEE：一种基于黎曼梯度的快速在线均值估计算法。
• MANOPT (with true Exp/Log)：使用Pymanopt库，配备精确的指数和对数映射。
• MANOPT-RET (with Retraction)：使用Pymanopt库，但用更廉价的收缩映射代替指数映射。

实验结果表明，在达到相同估计精度的情况下，Atlas-Learn框架的在线更新速度显著快于其他方法，尤其是在流形维度较高时。其优势在于将昂贵的全局流形运算，分解为大量廉价的局部欧氏运算和偶尔的、开销可控的坐标转换。

5. 工程实践：注意事项与常见问题排查

将Atlas-Learn应用于实际项目时，以下几个方面的经验至关重要。

5.1 参数选择与调优

1. 本征维度d：这是最重要的先验知识。如果未知，需要使用如最大似然估计、近邻距离分布或PCA特征值间隙等方法进行估计。高估d会导致模型过于复杂，引入噪声；低估d则会丢失信息，导致拟合不佳。
2. 坐标卡数量k：在Atlas-Learn中，k通过k-medoids设定。k太小，每个卡覆盖区域过大，局部二次近似可能失效；k太大，则图册过于碎片化，转移映射计算频繁，且可能过拟合。一个经验法则是，确保每个簇内有足够多的点（至少10d个点）来稳定地估计局部二次模型。可以基于重建误差或图册差异来评估k的选择。
3. 近邻数ν：用于构建初始近邻图。它影响流形局部连通性的估计。通常设置为5到20之间，需要大于d以避免局部维度估计错误。
4. MVEE的松弛：精确计算MVEE可能很慢。在实践中，可以使用轴对齐包围盒或PCA方向上的包围椭球作为近似，牺牲一些边界精度以换取计算速度。

5.2 数值稳定性与边界处理

1. 局部二次拟合的病态问题：当簇内点几乎共面或共线时，设计矩阵t（公式10）的条件数可能很大，导致最小二乘解不稳定。解决方法是添加Tikhonov正则化（岭回归）：h_hat = (t^T t + λ I)^{-1} t^T n，其中λ是一个小的正数。
2. 坐标卡边界的判定：in_domain函数使用MVEE的二次型值是否≤0来判断。由于数值误差，一个刚好在边界上的点可能计算得到一个很小的正值或负值。建议设置一个小的容差ε，例如判断value ≤ ε。同时，当值非常接近0时，应提前触发identify_new_chart，避免在边界上进行可能导致数值溢出的更新。
3. 转移映射的连续性：理论上，在坐标卡重叠区域，φ_i(ξ)和φ_j(ψ_{ij}(ξ))应该非常接近。但由于学习误差，可能存在微小跳跃。在优化算法中，这种跳跃可能导致梯度方向突变。一个缓解措施是，在重叠区域对来自不同卡的值进行加权平均，权重与点到各卡边界的距离成反比。

5.3 常见问题与排查指南

5.4 扩展与进阶应用思路

1. 处理非均匀采样：Atlas-Learn假设数据在流形上均匀采样。如果采样密度差异很大，在稀疏区域学到的局部模型可能不可靠。可以考虑在局部拟合时，根据点密度自适应调整邻域大小，或为不同点赋予权重。
2. 分层图册：对于非常高维或结构复杂的流形，可以构建分层图册。顶层用大而粗糙的坐标卡捕捉全局拓扑，底层用小而精细的卡描述局部几何。这有助于平衡表示精度和计算效率。
3. 与深度学习结合：Atlas-Learn可以作为一个几何感知层嵌入到神经网络中。例如，编码器将数据映射到Atlas的局部坐标，后续网络在该坐标空间中进行处理，解码器再通过φ映射回原始空间。这为处理具有已知或潜在流形结构的数据（如分子构象、3D姿态）提供了新思路。
4. 超越二次近似：对于曲率变化剧烈的流形，局部二次模型可能不足。可以探索使用更高阶的多项式、或局部神经网络来学习坐标映射φ_i，但这会牺牲模型的解释性和一些理论保证。

Atlas-Learn将经典的微分几何概念与现代机器学习算法紧密结合，为流形学习提供了一个兼具理论严谨性和计算实用性的框架。它的核心魅力在于，通过构建局部图册，将复杂的全局非线性问题，分解为一系列可并行处理的局部线性/二次问题。尽管在参数调优和数值鲁棒性上需要一些工程技巧，但其在黎曼优化等领域展示出的效率优势，使其在处理大规模流形数据时成为一个非常有竞争力的工具。在实际应用中，理解其每个组件背后的几何直觉，是有效使用和调试该算法的关键。