实体
Laplacian Eigenmaps for Dimensionality Reduction and Data Representation
Laplacian Eigenmaps for Dimensionality Reduction and Data Representation
PulseAugur coverage of Laplacian Eigenmaps for Dimensionality Reduction and Data Representation — every cluster mentioning Laplacian Eigenmaps for Dimensionality Reduction and Data Representation across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的谱分解框架增强了非线性降维能力
研究人员开发了一个名为 SDMP（用于多尺度投影的谱分解）的新框架，以解决非线性降维中的权衡问题。SDMP 使用拉普拉斯特征向量显式分解每个嵌入维度，从而能够控制和检查局部邻域保持与全局结构之间的平衡。该方法通过揭示高维结构如何影响嵌入模式以及哪些谱尺度塑造了整体投影，从而提供了更大的分析透明度。在合成、图像和单细胞数据上的评估表明，该方法在保持局部和全局结构方面具有竞争力，案例研究突显了其在解释复杂数据集方面的实用性。
-
新的无监督框架i-IF-Learn解决了高维数据挑战
研究人员开发了i-IF-Learn，一个新颖的无监督框架，通过同时进行特征选择和聚类来解决高维数据挑战。该方法识别对定义数据簇至关重要的影响特征，从而减轻了高维数据集中常见的噪声和不相关性。该框架的自适应特征选择统计量根据中间标签的可靠性动态调整，防止了迭代方法中常见的错误传播。实验表明，i-IF-Learn的性能优于现有的聚类基线，并显著提高了下游深度学习模型的性能。