يشكل تحليل المكونات الرئيسية (PCA) أداة أساسية في مجال تعلم التمثيل، ومع ذلك، تواجه النسخة العالمية منه تحديات كبيرة عند التعامل مع البيانات التي تدعمها الهندسات المنحنية. فبينما تسعى طرق تعلم المانيول من خلال نمذجة غير الخطية، تفقد غالباً بنية الطيف واستقرار PCA. في ضوء ذلك، اقترح الباحثون أسلوباً جديداً يحمل اسم “GTSA-PCA”، وهو امتداد هندسي لـ PCA يدمج بين الوعي بالانحناءات والتناسق الجيوديسي ضمن إطار طيفي موحد.

يعتمد هذا النهج على استبدال مشغل التباين العالمي بمشغل تباين محلي مدعوم بالانحناء، يُعرف ضمن شبكة الجيران الأقرب، مما ينتج عنه فراغات هندسية تتكيف مع انحناء المانيول بينما تُخفف التشوهات الناتجة عن الانحناء العالي.

علاوة على ذلك، تم تقديم مشغل توصيل جيوديسي يجمع بين المسافات الداخلية للبيانات وارتباطات الفضاءات الفرعية، لتحقيق تزامن شامل لهذه التمثيلات المحلية. تتضمن نتائج هذا المشغل تحليل طيفي يحدد التجسيدة المدركة للهندسة.

ولتعزيز فعالية هذا الأسلوب، تم دمج المعلومات شبه المُراقبة لتوجيه عملية التوافق، مما يحسن من الهيكل التمييزي مع حد أدنى من الإشراف.

قدّم الباحثون تجارب على بيانات حقيقية وأظهرت النتائج تحسناً مستمراً مقارنةً بأساليب مثل PCA وKernel PCA، وكذلك طرق تعتمد على الرسوم البيانية مثل UMAP، خاصة في حالات حجم العينة الصغير والانحناءات العالية. هذه النتائج تُمكن GTSA-PCA بصفتها جسرًا منظمًا يجمع بين الأساليب الإحصائية والهندسية في تقليص الأبعاد.