Badacze zaprezentowali CARSANN - nową metodę klasyfikacji opartą na najbliższych sąsiadach, która redefiniuje sposób definiowania lokalności w przestrzeni cech. Tradycyjny k-NN narzuca taką samą liczbę sąsiadów wszędzie w przestrzeni, co jest nieadekwatne dla danych, których geometria zmienia się drastycznie na powierzchni rozmaitości. CARSANN rozwiązuje ten problem poprzez dostosowanie przestrzennego zasięgu sąsiedztwa do lokalnej złożoności geometrycznej.
Framework działa trzystopniowo. Najpierw estymuje wewnętrzną wymiarowość danych przy użyciu metody TwoNN i konstruuje reprezentację wewnętrzną przez analizę głównych składowych. Następnie oblicza średnią krzywiznę lokalną za pomocą operatora kształtu - metryka ta steruje skalą sąsiedztwa. Wysoko zakrzywione regiony otrzymują silniejsze zmniejszenie promienia, a obszary prawie płaskie zachowują szersze wsparcie przestrzenne. To podejście fundamentalnie różni się od metod modyfikujących jedynie liczbę sąsiadów lub metrykę lokalną.
Wyniki eksperymentów na ponad 70 rzeczywistych zbiorach danych z OpenML wykazują konsekwentną przewagę CARSANN. Przy porównaniu z tym samym rozmiarem bazowego sąsiedztwa, metoda osiągnęła wyższą zbilansowaną dokładność na 40 z 45 zbiorów danych, podnosząc średnią z 0,6506 do 0,7528. Przewaga utrzymuje się również wobec k-NN z ustaloną liczbą sąsiadów, sugerując, że dostosowanie promienia do geometrii jest kluczowym czynnikiem poprawy wydajności w problemach klasyfikacyjnych.