流形学习的理论和方法.pptVIP

研究背景 线性降维 通过降维得到的低维数据能够保持高维数据点之间的线性关系，即：若存在线性映射 使得 ，则这个高维数据点从降到低维的过程为线性降维。 两种算法 PCA MDS 非线性降维 KPCA 流形学习 PCA数学模型 PCA算法 MDS数学模型 基于Packing Numbers的内在维数研究 延伸方向 拉普拉斯特阵映射（LE） 局部切空间排列（ LTSA ） 研究方向 基本算法研究 内在维数研究 定量化研究 监督学习算法研究 范畴问题研究 其他 领域因子选择问题 数据流的流行学习 流行学习的统一框架 内在维数研究 PCA方法基于方差比来确定约简维数 ISOMAP利用方差损失形成的拐点估计维数 其他 最近邻域 分形维 Packing Numbers 测地线最小生成树 定量化研究 高维数据集的内在维数如何影响高维空间的流形结构？———没有一般性研究 张军平——局部放大因子和延伸方向——判别流行学习算法准确性的一种定量评估准则 放大因子，就是观测空间的数据点变化趋势与在嵌入空间的变化趋势的比值，这个比值在连续模型中相当于在降维的映射下，一个高维空间映射到低维空间后的“体积”比的比例——微分几何中的”微观”放大因子——Bishop的生成式拓扑映射 延伸方向，就是指嵌入空间的局部数据变化的主要方向 放大因子 放大因子