在最新的機器學習研究中，Michael Leznik博士提出了度量感知主成分分析（Metric-Aware Principal Component Analysis, MAPCA），這是一種將傳統PCA推廣至幾何深度學習框架的新方法。該論文已於2026年5月提交至arXiv，並引發了學界的廣泛關注。
MAPCA的核心思想是將主成分分析參數化為一個正定度量矩陣。通過選擇不同的度量，MAPCA能夠插值標準PCA和輸出白化，而一種對角度量的特殊情況則恢復了不變PCA（Invariant PCA, IPCA）。論文巧妙地構建了MAPCA與幾何深度學習之間的精確對應關係，涵蓋了域、對稱羣、等變性、不變性、架構原語和幾何先驗六個軸。這種對應關係表明，MAPCA的度量實際上是幾何先驗，而保持該度量的正交羣則是對稱羣，MAPCA的解在該羣下等變，且譜不變。
該論文的技術核心是一個唯一性定理，該定理刻畫了IPCA作為MAPCA族中唯一的線性數據派生度量，在任意對角縮放下等變並投影到作用的不動點集。在標準化條件下，這一性質等價於精確形式的方差最大化準則。這一發現為理解PCA的幾何本質提供了新的視角。
論文最後探討了三個擴展方向：核PCA作為非線性擴展，譜圖方法作為圖上的MAPCA，以及深度MAPCA構造，進一步將定位擴展到深度等變網絡中。這些擴展不僅展示了MAPCA框架的普遍性，也為未來的研究開闢了新的道路。MAPCA的提出將有助於研究者更深刻地理解幾何深度學習中的對稱性原理，並可能推動PCA及相關方法在更廣泛領域的應用。