会员服务
降维是将数据从高维空间转换为低维空间，以便低维表示保留原始数据的某些有意义的属性，理想情况下接近其固有维。降维在处理大量观察和/或大量变量的领域很常见，例如信号处理，语音识别，神经信息学和生物信息学。
On Sharpened Convergence Rate of Generalized Sliced Inverse Regression for Nonlinear Sufficient Dimension Reduction
Arxiv
0+阅读 · 2月18日
M-CODE: Materials Categorization via Ontology, Dimensionality and Evolution
Arxiv
0+阅读 · 2月16日
MML Probabilistic Principal Component Analysis
Arxiv
0+阅读 · 2月9日
LCIP: Loss-Controlled Inverse Projection of High-Dimensional Image Data
Arxiv
0+阅读 · 2月11日
Multi-dimensional Persistent Sheaf Laplacians for Image Analysis
Arxiv
0+阅读 · 2月16日
Dimensionality Reduction on Riemannian Manifolds in Data Analysis
Arxiv
0+阅读 · 2月5日
Statistical description and dimension reduction of continuous time categorical trajectories with multivariate functional principal components
Arxiv
0+阅读 · 2月5日
Constraint Matters: Multi-Modal Representation for Reducing Mixed-Integer Linear programming
Arxiv
0+阅读 · 2月3日
DREAMS: Preserving both Local and Global Structure in Dimensionality Reduction
Arxiv
0+阅读 · 1月30日
Model-Agnostic and Uncertainty-Aware Dimensionality Reduction in Supervised Learning
Arxiv
0+阅读 · 1月15日
Nonlinear Dimensionality Reduction with Diffusion Maps in Practice
Arxiv
0+阅读 · 1月28日
Stable Filtering for Efficient Dimensionality Reduction of Streaming Manifold Data
Arxiv
0+阅读 · 1月13日
Fully Functional Weighted Testing for Abrupt and Gradual Location Changes in Functional Time Series
Arxiv
0+阅读 · 1月22日
Comprehensive Robust Dynamic Mode Decomposition from Mode Extraction to Dimensional Reduction
Arxiv
0+阅读 · 1月16日
Learning Functional Graphs with Nonlinear Sufficient Dimension Reduction
Arxiv
0+阅读 · 1月22日
参考链接
微信扫码咨询专知VIP会员
Top