يُعتبر تحليل المكونات الرئيسية (PCA) أداة أساسية في تمثيل البيانات، لكن الأسلوب التقليدي الذي يعتمد على الخطية العالمية لا يستطيع التقاط التركيبة المعقدة للبيانات المدعومة على المنحنيات. يتحرك البحث اليوم نحو طرق تعلم متعددة الأبعاد تعالج هذه التحديات.

نقدم لكم تقنية جديدة تُعرف باسم “Geodesic Tangent Space Aggregation PCA (GTSA-PCA)”، وهي امتداد جيومتري لـ PCA الذي يدمج بين الوعي بالمنحنيات والتوافق الجيوديسي ضمن إطار عمل طيفي موحد. تعمل هذه التقنية على استبدال معامل التباين العالمي بمعاملات تباين محلية موجهة بالانحناء، تُعرف على شبكة الجيران الأقرب، ما يؤدي إلى إنتاج فضاءات مائلة محلية تتكيف مع هيكل المنحنى مع تقليل التشوهات عالية الانحناء.

وتتضمن هذه الطريقة أيضًا مؤشراً للتوافق الجيوديسي الذي يجمع بين المسافات الداخلية للرسوم البيانية وميول الفضاءات الفرعية لتحقيق التزامن العالمي لهذه التمثيلات المحلية. يُظهر تحليل النتائج من الاختبارات التجريبية على مجموعات بيانات حقيقية تحسنًا متناسقًا مقارنةً بـ PCA التقليدية، وKernel PCA، وSupervised PCA، بالإضافة إلى أُطر قوية قائمة على الرسوم البيانية مثل UMAP. لا سيما في ظروف عينة صغيرة والانحناءات العالية، يظهر GTSA-PCA كحل عقلاني يجمع بين النهج الإحصائي والجيومتري لتقليل الأبعاد.

مع هذه التقنيات المتطورة، فإننا نشهد خطوة جديدة نحو تحسين طريقة تعاملنا مع بياناتنا المعقدة. هل سيكون GTSA-PCA هو الحل الذي تبحث عنه في تعاملاتك مع البيانات؟