非线性流形上的哈希
本文介绍了一种基于流形学习的紧凑二进制哈希算法，解决了流形学习在大规模嵌入中的问题，并提出了一个有效的方法来解决样本外数据问题，特别是基于 t-SNE 实现的哈希算法。
Mar, 2013
基于机器学习和数据科学的关键方法之一，流形学习旨在揭示高维空间中复杂非线性流形内部的内在低维结构。我们提出了一种可扩展的流形学习方法，可以高效地处理大规模和高维数据，从而应用于可视化、分类等领域。
Jan, 2024
本研究提出了一种在机器人学习中处理非欧几里德流形数值数据的本质方法，该方法通过在流形上选择适当的概率分布，并将其参数作为预测变量的函数进行非参数化估计，同时结合核函数的局部似然方法，实现了比投影算法更好的预测准确性。
Oct, 2023
通过对流形假设的研究，我们发现神经网络的可学习性与流形的曲率、正则性以及数据流形的体积之间存在紧密的关联；流形的有限曲率限制了学习问题的可解性，而数据流形的体积增加则会提高网络的可学习性。此外，我们还探讨了在真实世界数据中常见的具有异质特征的中间流形区域的情况。
Jun, 2024
该研究提出了一种无监督框架，用于针对性地寻找训练样例。该方法仅需要一组与目标应用程序相关的图像和有效的初始表示，其中正样例是单个流形上的远点，而负样例是不同流形上的相邻点。这种方法可应用于预训练网络的无监督微调，用于细粒度分类和特定物体检索。与之前的完全或部分有监督的模型相比，我们的模型表现出相似或更好的性能。
Mar, 2018
本文提出了一种用于多个流形或不规则采样的单个流形的流式 NLDR 方法，解决了现有方法在存在多个流形或不规则采样的单个流形时的局限性，可以有效地从大量流数据中学习。
Oct, 2017
通过考虑与高维流形相关的每个任务以及基于这些流形的任务间关系，本研究定义了任务特定几何敏感哈希算法 (T-GSH)，并展示了在神经调控系统下使用随机加权神经网络能够实现该算法。
Nov, 2023
本文提供了一种可计算、直接且数学严谨的方法，用于近似高维数据的类流形的微分几何，以及从输入空间到这些类流形的非线性投影。该方法应用于神经网络图像分类器的设置中，在流形上生成新颖的数据样本，并实现了流形上的对抗训练的投影梯度下降算法，以解决神经网络对对抗性攻击的敏感性问题。
Aug, 2023