子空间最小二乘多维缩放
该研究提出了一种基于表面的谱广义多维尺度映射 (Spectral-GMDS) 方法,用于计算两个度量空间之间的映射关系,该方法在解决问题时隐含地将映射的平滑性纳入,从而实现了高效的嵌入,并在实验中取得了很好的效果。
Nov, 2013
本文提出了一种基于 Poincare disk(PD)的超几何平面的度量多维缩放(PD-MDS)算法,通过基于初等的超几何线搜索而非黑盒优化器的构建方法,在超几何空间模型中解决了多方面的问题。
May, 2011
我们研究了多维缩放(Multi-dimensional Scaling,MDS)的 Kamada-Kawai 公式,提出了一种基于 Sherali-Adams 线性规划层次的近似算法,该算法实现了在目标维度下成本和时间复杂度之间的平衡,为高效度量优化算法的开发奠定了基础。
Nov, 2023
本文介绍了一个新颖的线性复杂度的随机优化算法,可用于多维缩放(MDS)的随机压力最小化框架,可递增、分布式求解,应用于定位和可视化任务,并在合成和真实数据集上进行了广泛测试。
Dec, 2016
我们提出了一种稳定的欧几里德不变描绘方法,并通过计算输入的 MDS 差异矩阵,应用刚性变换和多个实现,确保变换不变并整合 OOSP,验证了我们的方法在达到一致的 LDS 表示方面的有效性。
Aug, 2023
该论文介绍了一种新的方法 —— 联合多维标度,它可以将来自两个不同领域的数据集映射到一个低维欧几里得空间中,同时只需要每个数据集内部的成对不相似性作为输入,并展示了其在联合可视化、异质领域自适应、图形匹配和蛋白质结构对齐等多个应用中的有效性。
Jul, 2022
本文介绍了多维尺度变换(MDS)及其不同类型、Sammon 映射、Isomap 等算法,以及使用特征函数和核映射等方法处理大数据的 out-of-sample MDS 和 Isomap 嵌入,并着重介绍了 Nystrom 近似及其在地标 MDS 和 Isomap 中的应用。
Sep, 2020
本文提出了一种利用双调和插值有效地表示测地距离矩阵的稀疏方法,用于在大数据点集上进行多维缩放分析,相比目前领先的方法,该方法运行速度更快,占用内存更少,可使先前不可行的大数据点集的分析成为可能。
May, 2017
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