应用非负张量因式分解方法在穿戴式传感器数据集 StudentLife 中,提取潜在的时间因素和相似个体群组,成功发现了表现良好的个体和常常从事休闲活动的个体,从而揭示了数据的低维结构。
May, 2019
本文提出了一种利用深度神经网络实现联合降维和 K-means 聚类的方法,通过学习非线性函数的深度神经网络,以期获得更好的聚类和降维效果。
Oct, 2016
本文提出了一种基于概率模型的降维方法,通过在目标数据集和背景数据集之间寻找信号富集的模式,能够恢复目标数据集中潜在空间中的有趣结构,并可应用于去噪、特征选择和子组发现等领域。
Nov, 2018
本文综述了一些线性降维方法,以及它们如何作为矩阵流形优化问题进行求解,并提出了一种基于正交投影的典型相关分析方法,这种优化框架使得线性降维成为了一种面向各种数据类型的黑盒子数值技术。
Jun, 2014
本文提出了一种称为渐进聚类的新技术,它将每个数据点通过其潜在的点维度进行聚类,该点维度是与该点本地数据集的维度有关的尺度。这种渐进聚类技术可以广泛应用于各种数据集的分析中,并通过距离方法以点的第 n 个最近邻点来评估数据点的点维度,同时将其应用于动态系统、图像和人类动作等领域进行分析。
May, 2018
使用主成分分析(PCA)降低数据集的维度,提高 k-means 算法在特定质心下的预测性能和降低成本。
Jan, 2024
本文提出了一种基于图的潜因子分析模型,将隐藏的高阶交互与重复的低秩嵌入相结合,从而提高了对高维稀疏矩阵的表示学习能力,并在三个真实数据集上验证了其在预测丢失数据方面的优越性。
Apr, 2022
高维数据集在各个学科的统计建模中带来了很大的挑战,需要高效的降维方法。深度学习方法通过降维的潜在特征空间从复杂数据中提取关键特征,有着广泛的应用,从生物信息学到地球科学等领域。本研究通过引入一个新的工作流程来评估这些潜在空间的稳定性,确保后续分析的一致性和可靠性。该工作流程囊括了三种稳定性类型:样本稳定性、结构稳定性和推断稳定性,并引入了一套综合评估指标。研究结果揭示了潜在特征空间固有的不稳定性,并证明了该工作流程在量化和解释这些不稳定性方面的功效。这项工作推进了对潜在特征空间的理解,促进了深度学习在各种分析工作流中的模型可解释性和质量控制,为更加明智的决策提供了基础。
Feb, 2024
基于深度学习的深度潜在因素模型在协同过滤推荐系统中表现出色,实验证明该技术明显优于所有现有的协同过滤技术。
Dec, 2019
探索在反洗钱数据中降低维度并提升聚类结果准确性的最有效方法,结果显示 Kernel Principal Component Analysis (KPCA) 在大多数情况下结合聚类方法表现优于其他降维技术。