multidimensional scaling
PulseAugur coverage of multidimensional scaling — every cluster mentioning multidimensional scaling across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
Mastodon 突出显示热门帖子和流行标签
Mastodon 的热门帖子功能突出显示了平台上受欢迎的内容，展示了获得最多收藏和评论的帖子。热门标签表明了关于 #partialyonline、#ai 和 #geopolitics 等主题的活跃讨论。此功能可帮助用户发现 Mastodon 社区内引人入胜的内容和对话。
-
新的GNN编码器可实现图优化任务的可迁移模型
研究人员开发了一种新的图神经网络（GNN）编码器，该编码器利用GCON模块进行表达性消息传递和基于能量的无监督损失函数。该模型在单独训练时，在各种组合优化（CO）任务上表现出具有竞争力的性能。通过借鉴计算可约性文献的知识，研究人员提出了预训练和微调策略，实现了在MVC、MIS和MaxClique等任务之间以及包括MaxCut、MDS和图着色在内的多任务设置中的有效迁移学习。研究结果表明，学习图CO问题的通用表示是可行的，为神经CO领域…
-
Mastodon 突出显示热门 AI 讨论和标签 · 跟踪 4 个来源
Mastodon 平台正在展示与 AI 相关的热门帖子，在不同实例的收藏最多和评论最多的部分中，有几篇关于 AI 的帖子出现。特定的热门标签包括 #ai、#osint 和 #threatintel，这表明 Mastodon 社区内正在就这些主题进行积极讨论。该平台的趋势功能突出了各种主题上的热门内容和用户参与度。
-
新型神经网络方法“Fling”优化图布局
研究人员开发了Fling（Field Layout via Implicit Neural Geometry），一种新颖的图布局神经网络方法，它优化了一个具有固定数量参数的函数，而不是单个节点的坐标。该方法将绘图表示为节点特征的函数，允许在单次前向传播中定位未见过的节点。Fling在从节点样本拟合图能量方面优于PivotMDS和landmark MDS等现有方法，并为各种布局美学提供了灵活的参数化。
-
Mastodon 热门帖子展示了用户在不同主题上的多样化参与 · 跟踪了 4 个来源
Mastodon 的热门帖子展示了平台上受欢迎的内容，其中一些帖子获得了大量的点赞和评论。热门话题或“热议标签”的范围很广，包括关于 AI、社会问题甚至成人内容的讨论。此功能提供了 Mastodon 生态系统中用户参与度和内容传播情况的快照。
-
Mastodon 的 MDS 热门帖子功能突出显示热门内容和标签 · 跟踪 8 个来源
Mastodon 平台的“MDS 热门帖子”功能突出显示了跨各种类别的热门内容，包括最受欢迎的帖子、评论最多和热门标签。@sundogplanets、@randahl 和 @fribbledom 等用户经常出现在最受欢迎的帖子中，表明他们的内容引起了广泛共鸣。该平台还跟踪热门标签，其中“#ai”、“#automation”和“#ukfuel”在不同日期频繁出现，表明这些话题引起了 Mastodon 社区的极大兴趣。
-
新工具使用 Markdown 模板简化 LLM 代理提示工程
一款名为 MDS (Markdown Script) 的新工具已被开发出来，用于简化 LLM 代理的提示工程。MDS 允许开发者使用一种基于 Markdown 的模板语言编写一次提示，然后将其编译成各种格式，包括标准的 Markdown 或 JSON 聊天消息数组。这种方法旨在消除在不同 AI 平台和 SDK 中重复编写提示和手动配置的需要，从而减少错误并提高一致性。
-
新的 Wasserstein 距离增强了用于模式识别的多维尺度分析
本文介绍了一种调整后的 Wasserstein 距离，称为 Max-D-SW，旨在改进用于模式识别的多维尺度分析 (MDS)。Max-D-SW 方法聚合了来自标准正交基的贡献，与原始 Max-Sliced Wasserstein 距离相比，在数值上具有优势，尤其是在处理重尾分布时。研究还提供了样本复杂度界限，证明 Max-D-SW 在统计上是可管理的，并且可以达到与其前身相当的速率。然而，研究指出，度量的样本复杂度提高并不总能保证在 …
-
新的Max-D-SW距离增强了用于模式识别的多维缩放
本文介绍了一种Max-D-SW，它是Max-Sliced Wasserstein距离的调整版本，旨在改进用于模式识别的多维缩放（MDS）。Max-D-SW在标准正交基上聚合贡献，与原始公式相比具有数值优势，尤其是在处理重尾分布时。该研究还建立了样本复杂度界限，表明Max-D-SW在统计上是可处理的，并且改进的样本复杂度并不总是能保证更好的MDS性能。
-
Mastodon 突出显示热门帖子和流行标签
Mastodon 的多维缩放 (MDS) 功能正在根据收藏和评论内容突出显示热门帖子。该平台还在跟踪流行的标签，其中“news”和“ai”经常出现。这些热门数据提供了对 Mastodon 社区内热门讨论和内容的见解。
-
新方法利用随机优化连接图绘制与降维
研究人员开发了一种新方法，通过为向量数据嵌入调整随机梯度下降，从而连接了图绘制和降维技术。该方法被实现为一个与scikit-learn兼容的估计器，旨在通过局部的成对更新来最小化全局应力。实验表明，与传统的SMACOF算法相比，这种随机求解器收敛速度显著更快，同时在高维基准测试中实现了相似或更好的应力降低。
-
VERA工具通过区域标注自动解释二维数据嵌入
研究人员开发了VERA，一种自动生成二维数据嵌入可视化解释的新方法。VERA识别嵌入中的关键区域，并将其与人类可理解的特征联系起来，提供简洁的标注。这种方法旨在减少理解复杂数据结构通常需要的手动工作量，提供一种更快地从嵌入中提取见解的方式。
-
研究系统评估降维对聚类性能的影响
一项新研究系统地评估了五种不同的降维技术如何影响四种常用聚类算法的性能。研究人员发现，降维方法的选择和降维程度对聚类质量有显著影响。研究结果强调，最佳设置取决于具体的数据几何形状和所选的聚类方法。
-
新研究引入费马距离用于高维半监督分类
研究人员利用费马距离（一种对数据密度和聚类假设敏感的度量）开发了高维半监督分类的新方法。提出的加权k近邻和多维标度诱导分类器旨在提高标记数据稀缺但未标记数据充足时的性能。理论分析表明，具有真实费马距离的加权k-NN分类器是minimax最优的，实验表明其结果与现有的基于图的方法相比具有竞争力。