2026-09-30
牛津与索尼在扩展高斯双锥VPM上给出Hilbert距离闭式，计算只需四枚极值特征值，并证明n≥2的等距群由正交共轭与I−X生成。
零均值高斯可以用协方差矩阵 Σ，也可以用精度矩阵 P=Σ^{-1}。参数空间是对称正定锥 PD。协方差退化时，分布落在低维仿射子空间上；精度退化时，对应开随机系统里的非确定性，贝叶斯里也会拿它当不正常的均匀先验。James 在 1973 年用变换 L=Σ(I+Σ)^{-1}，把特征值从 [0,∞] 压进 [0,1]，得到方差-精度模型 VPM：两个半正定锥的交集，一个闭双锥。内部记作 VPM(n)={X∈Sym(n): 0≺X≺I}。
SPD 锥上的默认距离是仿射不变黎曼度量 AIRM，要完整特征值分解。Hilbert 几何定义在任意开有界凸域上，直线就是测地线；锥上的 Birkhoff 射影距离只看极值特征值。这篇要做的事很具体：把 VPM 内部装上 Hilbert 几何，写出闭式距离，并把等距群分类干净。
VPM(n) 是特征值全部落在 (0,1) 的 n×n 对称矩阵。它等于 PD 与 I−PD 的交集，因此开、凸、有界：A ≼ I 能推出 Frobenius 范数不超过 √n。
Hilbert 距离的定义是交比对数。两点连线交边界于 x'、y'，再取 log(||x−y'|| ||x'−y|| / ||x'−x|| ||y−y'||)。作者不直接算交点，把 A 映成仿射切片 (A, I−A)，在切片上建锥，再用 Birkhoff 距离。Loewner 序给出伸缩比的上下界，整理之后得到闭式：
dH(A,B)=log[ max(λmax(B^{-1}A), λmax((I−B)^{-1}(I−A))) / min(λmin(B^{-1}A), λmin((I−B)^{-1}(I−A))) ]
读法很直接。同时看协方差方向的拉伸比 B^{-1}A，和补矩阵方向（精度侧）的拉伸比；两边各取最大、最小特征值，再在这四个数里取最极端的一对做对数比。精度侧那一项就是矩阵 Möbius 变换 (I−A)^{-1}(I−B)。
两条变换显然保持距离。X↦I−X 把协方差和精度对调；正交共轭 X↦U^T X U 不改谱。作者证明 n≥2 时这两类生成全部等距群。路线分三步。VPM 上的锥不是对称锥，对偶锥由负特征值的迹刻画，形状对不上，Walsh 的定理于是给出等距群等于共线变换群。共线变换提升成锥上的线性自同构。PD 锥的线性自同构已知是 GL(n) 共轭，再把一般可逆矩阵压成正交矩阵，并允许先做一次 I−X。
主结果就是这条闭式。和 AIRM 的对照在论文 Table 1：
| 性质 | AIRM | Hilbert VPM |
| 需要的特征值 | Q1 Q2^{-1} 的全部 n 个 | Q1 Q2^{-1} 与 Möbius 变换各一对极值，共 4 个 |
| 反演类不变 | X↦X^{-1} | X↦I−X |
| 共轭不变 | 全体 GL(n) | 仅 O(n) |
没有下游任务数字。讨论里给了三个可操作的外推。把域放大成 VPMε={−εI ⪯ X ⪯ (1+ε)I}，开集边界上的退化高斯距离从无穷变成有限，ε 越大距离越小，嵌套域的 Hilbert 距离单调。非中心高斯用 Calvo–Oller 嵌入：把 (μ,Σ) 写成 (n+1) 维块矩阵 Σμ^+，再送进 VPM(n+1)。Hilbert 直线测地线可以直接跑 Bădoiu–Clarkson 的测地切割迭代，作者在 VPM(2) 上做了最小包围球的概念验证，图 2(b) 是细网格近似。
对做 SPD 流形、高斯混合、扩散张量成像的人，这是一条比 AIRM 更便宜的距离：只要四个极值特征值，不必完整谱分解。Hilbert 几何直线即测地线，Voronoi、Delaunay、最小包围球这些计算几何原语有现成算法。退化协方差和退化精度被放进同一个有界凸体，扩展高斯得到统一的度量空间，不必在锥边界上另接一套奇异处理。
这是一篇几何论文，不是新模型。没有分类或生成实验。跟 AIRM 比，省的是谱分解的完整度；换来的是只对正交共轭不变，对一般可逆线性变换的不变性更弱。研讨会论文 19 页，证明全部内联。补充材料在 arXiv:2508.14369，含代码和可视化。
开集 VPM 上，Hilbert 距离到边界是无穷，真正退化的高斯还是碰不到，必须靠尚未严格展开的 VPMε。全文只处理零均值高斯，非中心情形停在嵌入公式。等距分类从 n≥2 开始，一维退化成开区间 (0,1) 上已知的 Hilbert 距离 log((1−x)y/(x(1−y)))。DTI 和最小包围球都只是方向，没有误差表，也没有和 log-Euclidean、AIRM 的数值对照。Birkhoff 距离对 SPD 锥有压缩性质，这篇没有把压缩性质迁到双锥上验证。应用层仍是展望。