Tree-Structured Orthonormal Decomposition of the Aitchison Simplex¶

会议: ICML2026
arXiv: 2606.11646
代码: https://github.com/vsingh-group/polyilr
领域: 学习理论 / 成分数据分析
关键词: Aitchison 几何, ILR 坐标, 正交分解, 多分叉树, 等距同构

一句话总结¶

PolyILR 给任意（含多分叉）树结构构造出一组典范、完备、正交的 Aitchison 单纯形坐标系：每个内部节点贡献 \(k_u-1\) 个对比坐标，通过加权内积 + Helmert 对比 + 按子树大小展开，保证整体仍是合法的等距 ILR 基，让成分数据的每个坐标都对应树上一个具体位置。

研究背景与动机¶

领域现状：成分数据（compositional data）——只有相对比例有意义、总量无意义的非负向量——遍布微生物组、单细胞细胞类型占比、地球化学、softmax 概率输出等场景。分析它们的标准工具是 Aitchison 几何：它形式化了"只有比值 \(x_i/x_j\) 携带信息"，并通过等距对数比（ILR）把单纯形 \(\Delta^{d-1}\) 等距嵌入欧氏空间。

现有痛点：ILR 基不是唯一的——任意一组 \(\mathcal{H}=\{z:\mathbf{1}^\top z=0\}\) 的正交基都给出合法 ILR 坐标，它们诱导相同几何但不同的分解，而基的选择直接决定可解释性。很多领域的成分天然带有已知层级结构（系统发育树、分类学、基因本体），这棵树规定了"哪些比较有意义、在什么分辨率上有意义"。但现有方法要么忽略树结构、要么丢掉 Aitchison 几何、要么只为二叉树设计、要么只给出孤立的对比而非完整坐标系。

核心矛盾：二叉树之所以简单，是因为每个内部节点只有两个孩子、只需一个对比（两个后代簇几何均值的对数比），内部节点与基向量一一对应（这正是 PhILR 的做法）。但现实里多分叉（polytomy）极常见——NCBI 分类学约 64% 的分叉点有三个及以上孩子。一个有 \(k_u>2\) 个孩子的节点需要 \(k_u-1\) 个正交对比，是一个子空间而非单个向量，于是三个难题同时冒出来：(i) 怎么在节点上定义典范的局部对比；(ii) 怎么把局部对比展开成叶子上的全局向量；(iii) 怎么保证所有节点间的正交性。根本障碍是结构不兼容：Aitchison 几何要求全局零和的 \((d-1)\) 维切空间，而树施加的是局部、嵌套的约束。

本文目标：能否构造一个对任意树都成立、几何上有原则、且典范（canonical/可复现）的 Aitchison 切空间正交分解，既不牺牲等距、也不引入任意的二叉化选择。

核心 idea：在每个内部节点上挂一个编码"所有孩子间相对比较"的局部几何结构，用一个按子树大小加权的内积度量它，再把局部正交基按 \(1/n_r\) 展开到叶子上——关键定理是：在加权内积下的局部正交，等价于展开后在 \(\mathbb{R}^d\) 里的全局正交。

方法详解¶

整体框架¶

PolyILR 的输入是一棵有 \(d\) 个叶子的有根树 \(\mathcal{T}\)（每个叶子对应成分的一维），输出是一个 ILR 基矩阵 \(V\in\mathbb{R}^{d\times(d-1)}\)，使 \(\varphi(x)=V^\top\log x\) 成为从 Aitchison 单纯形到欧氏空间的等距同构，且 \(V\) 的每一列都对应树上一个具体内部节点的某个对比。

整条构造按 DFS 遍历每个内部节点 \(u\)，对每个 \(u\) 依次做四件事：先定义局部对比子空间 \(S_u\)（捕获 \(u\) 的 \(k_u\) 个孩子间的全部相对比较），再给 \(S_u\) 配一个加权内积（按各孩子子树叶子数 \(n_r\) 加权），然后取 Helmert 对比并在加权内积下做 Gram-Schmidt 得局部正交基，最后把每个局部基向量按 \(1/n_r\) 展开成叶子上的全局列向量、塞进 \(V\)。把所有节点的列拼起来就是完整的 PolyILR 基。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["有根树 T<br/>d 个叶子"] --> B["局部对比子空间<br/>每节点 k_u-1 维零和"]
    B --> C["加权内积<br/>按子树大小 1/n_r"]
    C --> D["Helmert 对比<br/>+ 加权 Gram-Schmidt"]
    D --> E["按 1/n_r 展开到叶子"]
    E -->|"拼接所有节点的列"| F["ILR 基 V<br/>等距 + 每列对应树位置"]

关键设计¶

1. 局部对比子空间 \(S_u\)：把"零和约束"从 ILR 要求里逼出来，而非人为规定

对有 \(k_u\) 个孩子的节点 \(u\)，定义局部对比子空间

\[S_u=\Big\{h\in\mathbb{R}^{k_u}:\textstyle\sum_{r=1}^{k_u}h_r=0\Big\}.\]

这是与 \(\mathbf{1}\) 正交的 \((k_u-1)\) 维子空间，恰好捕获 \(k_u\) 个孩子簇间的全部相对比较——一个对比区分两个孩子、两个对比区分三个，依此类推。关键洞察是：这个零和约束不是随手加的，而是被 ILR 的硬要求 \(V^\top\mathbf{1}=0\) 逼出来的。因为 \(V\) 的每一列由某节点 \(u\) 的局部向量 \(\mathbf{h}\) 展开而来，要让该列与 \(\mathbf{1}\) 正交，就必须局部满足 \(\mathbf{h}^\top\mathbf{1}=0\)。这一步把"多分叉节点需要一个子空间而非单向量"这件事干净地形式化了。

2. 按子树大小加权的内积：让局部正交能升级成全局正交

直接在标准内积下取局部正交基、再均匀展开到叶子，会破坏全局正交——因为不同孩子的子树大小不同，对全局内积的贡献不对等。本文给 \(S_u\) 配加权内积

\[\langle h,h'\rangle_w=\sum_{r=1}^{k_u}\frac{h_r h'_r}{n_r},\]

其中 \(n_r\) 是第 \(r\) 个孩子的后代叶子数。配套地，把局部向量按 \(1/n_r\) 展开到叶子：叶子 \(i\) 若属于孩子 \(r\) 则 \(v_i=\widetilde H^{(u)}_{r,m}/n_r\)，否则为 0。除以 \(n_r\) 是命门——它保证加权内积下的局部正交 \(\sum_r h_r h'_r/n_r=\delta\) 在展开后正好等于全局内积 \(\langle\mathbf{v},\mathbf{v}'\rangle=\sum_i v_i v'_i=\delta\)（因为孩子 \(r\) 贡献 \(n_r\) 个叶子、每个系数 \(h_r/n_r\)，求和后 \(n_r\) 恰好约掉一个）。论文用一个 \(n_1=1,n_2=3\) 的小例子说明：均匀展开会让范数变成 2，而加权归一 + \(\div n_r\) 展开后范数恰为 1。

3. Helmert 对比 + 加权 Gram-Schmidt：给"局部基怎么选"一个典范答案

\(S_u\) 的正交基有无穷多组，要让整个构造可复现（典范），必须钉死一个确定性选择。本文用 Helmert 对比：\(k\times(k-1)\) 的 Helmert 矩阵第 \(m\) 列把"第 \(m+1\) 个孩子"与"前 \(m\) 个孩子的平均"作对比，

\[H_{r,m}=\begin{cases}\sqrt{1/(m(m+1))}&r\le m,\\ -\sqrt{m/(m+1)}&r=m+1,\\ 0&r>m+1.\end{cases}\]

给定孩子的一个顺序，Helmert 基是确定的（这正是"典范"的来源；QR 等其他正交基也行但缺这种顺序可解释性）。但 Helmert 列只在标准内积下正交，所以再对它在加权内积 \(\langle\cdot,\cdot\rangle_w\) 下做 Gram-Schmidt，得 \(\widetilde H^{(u)}\)——这样在固定树和孩子顺序后，局部基唯一确定。最终定理 4.1 保证拼出的 \(V\) 满足 \(V^\top\mathbf{1}=0\)（对比性）和 \(V^\top V=I_{d-1}\)（正交性），因此 \(\varphi(x)=V^\top\log x\) 是等距：同节点的列由构造正交、不相交节点支撑不交、嵌套节点因后代展开向量在每个孩子簇上零和而正交。当树退化为二叉时（\(k_u=2\)），每节点恰好一个对比，PolyILR 退回 PhILR。

4. 树对齐坐标 → 多尺度结构化分析

构造出的每个坐标 \(z_j=z_{(u,m)}=v_j^\top\log x\) 是一个 balance：比较节点 \(u\) 处"孩子 \(m+1\) 的几何均值"与"孩子 \(1..m\) 的几何均值"的对数比。由于坐标索引 \(j\) 与"(节点 \(u\), 对比 \(m\))"双射，且不同节点的坐标张成正交子空间，整个 \(\mathbb{R}^{d-1}\) 被树节点不相交地划分。这带来三种聚合分析（见下表）：按节点问"哪个分叉驱动信号"、按深度问"哪个分辨率重要"、按子树问"整个 clade 是否有信息"。由于 \(\varphi\) 是等距、保全几何，可以在 \(z\) 上套任何下游模型而不损失信息。论文还指出一个理论彩蛋：softmax 输出也是单纯形值、共享同样的不变性结构，因此这套树对齐坐标可能延伸到带类别层级的概率建模。

实验关键数据¶

主实验¶

论文明确"目标是表示本身的可解释性，而非下游性能"，因此实验重点在两件事：(1) 表示是否保等距（与 CLR/PhILR 性能持平即合格），(2) 特征是否稳定可解释。在微生物组（HMP、cMD3、DISCO）和单细胞数据上，用 RF/SVM/LR 三种分类器比较 CLR、PhILR、PolyILR。

数据集 / 任务	指标	CLR (RF)	PhILR (RF)	PolyILR (RF)
HMP body sites (5)	Acc	.956	.961	.963
HMP body subsites (18)	Acc	.597	.608	.622
DISCO leukemia (2)	Acc	.925	.940	.935
HMP body sites (5)	AUROC	.987	.992	.992
DISCO leukemia (2)	AUROC	.968	.984	.984

如等距理论所预期，SVM 和 LR 在三种 ILR 表示间结果完全一致（只是基的正交变换），差异只出现在 RF 上且很小——这正好佐证 PolyILR 没破坏几何。

特征稳定性（关键差异点）¶

真正拉开差距的是特征稳定性：用交叉验证各折 top-\(K\) 特征的 Jaccard 重叠衡量，PolyILR 因坐标典范地绑定到树节点而高度稳定，PhILR 因任意二叉化（index / semantic 两种排序）而极不稳定。

任务	PolyILR (\(K\)=5/10/50)	PhILR index/semantic (\(K\)=50)
HMP body sites (5)	.66 / .65 / .84	.07 / .05
HMP body subsites (18)	.71 / .72 / .88	.07 / .04
cMD3 westernized (2)	.43 / .69 / .81	.01 / .02
DISCO leukemia (2)	.75 / .81 / .92	.73 / .12

关键发现¶

可解释性不靠牺牲性能换来：分类性能与 CLR/PhILR 持平（等距使然），但特征稳定性碾压 PhILR——PolyILR 的 top-\(K\) Jaccard 普遍 0.6–0.9，PhILR 常掉到 0.01–0.1，因为后者的对比依赖任意二叉化、换个排序就全变。
坐标自带语义：每个 balance 直接读作"某菌属 vs 一组菌属"的对数比（如 HMP 里"Streptococcaceae vs Lactobacillus + Leuconostocaceae"），可按 RF 重要性排序定位"哪个分叉驱动信号"，这是 CLR 扁平坐标给不了的。
退化一致性：二叉树时严格退回 PhILR，说明 PolyILR 是 PhILR 向多分叉的真正推广，而非另起炉灶。

亮点与洞察¶

"零和约束是被 ILR 逼出来的、不是人为设的"这个论证很漂亮：它把整套构造的每一步都锚定到"必须是合法等距 ILR 基"这一硬约束上，从而获得典范性，而不是堆砌设计选择。
\(1/n_r\) 加权展开是全文技术核心——一行除法就把"局部加权正交"和"全局标准正交"焊死，让多分叉节点的子空间能无缝拼进全局基，可复用到任何"局部结构升全局"的正交构造问题。
与 Fourier/wavelet 的类比点题精准：正如 Fourier 基从平移对称性、wavelet 从二分分割得到可解释分量，PolyILR 从树结构得到树对齐分量——把"选基 = 对齐领域结构"这件事讲透了。
softmax 连接是个有潜力的伏笔：softmax 输出本是单纯形值却常用扁平概率坐标表示，PolyILR 提供了一套树对齐坐标，可能用于分析概率质量/误差/学习信号在类别层级上的集中位置。

局限与展望¶

典范性依赖两个结构约定——每个节点的孩子顺序和 Helmert 列的符号约定；不同顺序给出的基相差一个节点内的正交变换，几何不变但具体坐标会变，实践中靠"沿用输入树的顺序"来固定。
实验是表示导向的，下游性能与 CLR/PhILR 基本持平、并无性能优势；其价值主要体现在可解释性与稳定性，对只看准确率的场景吸引力有限。
softmax/概率建模的连接只在理论层面提出，没有给出概率建模上的实证落地。
需要一棵已知且可信的树作为输入；当树本身有噪声、低支持度或错误时，坐标的可解释性会被这棵树的质量上限锁死，论文未充分讨论树误差的鲁棒性。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次给任意多分叉树构造典范、完备、等距的 Aitchison 正交分解，填了 PhILR 只能二叉的空白。
实验充分度: ⭐⭐⭐⭐ 微生物组+单细胞多数据集验证等距与稳定性，但纯表示导向、缺下游性能增益与树误差鲁棒性分析。
写作质量: ⭐⭐⭐⭐⭐ 从"零和约束被逼出"到"\(1/n_r\) 展开"的推导逻辑环环相扣，类比清晰。
价值: ⭐⭐⭐⭐ 对成分数据分析（微生物组/单细胞/概率建模）是扎实的基础工具，可解释性与稳定性收益明确。