arXiv 上发布的一篇新论文《度量感知PCA作为几何深度学习的线性实例》（作者 Michael Leznik）于 2026 年 5 月 25 日提交，属于机器学习（cs.LG）领域。该论文旨在将度量感知主成分分析（Metric-Aware PCA, MAPCA）纳入几何深度学习的理论框架，从而揭示线性降维方法与现代等变神经网络之间的深层联系。
几何深度学习的核心思想是根据数据域的对称性来组织神经网络架构，所选择的对称群充当几何先验，决定了可以学习到何种表示。MAPCA 则通过一个正定度量矩阵来参数化主成分分析，其规范子族在标准 PCA 和输出白化之间进行插值，而对角度量点则恢复为不变 PCA（Invariant PCA, IPCA）。这种参数化方式使得 PCA 能够适应不同的几何结构。
论文的核心贡献在于从六个维度——域、对称群、等变性、不变性、架构原语和几何先验——构建了 MAPCA 与几何深度学习之间的精确对应字典。具体而言，度量被解读为几何先验；保持该度量的正交群是它所诱导的对称群；MAPCA 的解在该群下是等变的，而由此得到的谱是不变的；MAPCA 的定义性约束是等变网络中使用的 Schur 型权重约束的线性类比。
技术上的锚点是一个唯一性定理，该定理刻画了 IPCA 为 MAPCA 族中唯一在任意对角缩放等变且投影到作用的不动点集上的线性数据驱动度量，在归一化下等价于精确形式的方差最大化准则。这一定理为 MAPCA 的几何解释提供了坚实的数学基础。
论文最后提出了三个延伸方向：核 PCA 作为非线性扩展、谱图方法作为图上的 MAPCA，以及一个深度 MAPCA 构造将这种定位扩展到深度等变网络。这些桥梁展示了 MAPCA 框架的广泛适用性和潜在影响。
总体而言，这项工作为理解线性降维方法与几何深度学习之间的联系提供了新的视角，并可能启发更多关于等变架构与经典统计方法之间关系的研究。