Dynamische Subraumfusion auf dem Grassmannian – neuer Ansatz im Deep Learning

Ein neues Framework für geometrisches Deep Learning nutzt die Kraft des Grassmannian-Manifolds, um hochdimensionale Daten als niedrigdimensionale Subräume zu modellieren. Im Gegensatz zu bisherigen Ansätzen, die sich auf statische, einzelne Subräume beschränken, ermöglicht die neue Methode eine dynamische Zusammenarbeit mehrerer Subräume.

Die Innovationen liegen in zwei Kernkomponenten: Erstens ein adaptives Multi‑Subraum‑Modell, das dank einer topologischen Konvergenzanalyse die für eine Aufgabe relevanten Subräume auswählt und gewichtet – inspiriert vom Kolmogorov‑Arnold‑Darstellungstheorem. Zweitens ein Interaktionsblock, der heterogene geometrische Darstellungen durch Optimierung des Fréchet‑Mittelwerts auf dem Manifold zusammenführt.

Theoretisch wird die Konvergenz der adaptiven Subräume unter einer Projektion‑Metrik‑Topologie nachgewiesen, was stabile gradientenbasierte Optimierung garantiert. Praktisch werden Riemannian‑Batch‑Normalisierung und Mutual‑Information‑Regularisierung eingesetzt, um die Diskriminativität und Robustheit zu erhöhen.

Umfangreiche Experimente in 3D‑Aktionsklassifikation, EEG‑Klassifizierung und Graph‑Aufgaben zeigen, dass das Verfahren den aktuellen Stand der Technik übertrifft. Damit setzt die Arbeit neue Maßstäbe im geometrischen Deep Learning und überträgt bewährte Multi‑Channel‑Interaktionsprinzipien aus euklidischen Netzwerken erfolgreich auf nicht‑euclidische Domänen.