multidimensional scaling
PulseAugur coverage of multidimensional scaling — every cluster mentioning multidimensional scaling across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。