S-Isomap++：流式数据的多流形学习

Oct, 2017

S-Isomap++: Multi Manifold Learning from Streaming Data

Suchismit Mahapatra, Varun Chandola

TL;DR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。

Abstract

manifold learning based methods have been widely used for non-linear dimensionality reduction (NLDR). However, in many practical settings, the need to process streaming data is a challenge for such methods, owing

manifold learning non-linear dimensionality reduction streaming data multiple manifolds high dimensional space

发现论文，激发创造

基于均匀地标采样和约束局部线性嵌入的可伸缩流形学习

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

非线性流形上的哈希

本文提出了一种基于流形学习的哈希方法，包括解决样本外数据问题的有效归纳解决方案和用非参数流形学习作为哈希方法基础的过程，以提高现有算法的规模，并展示了基于 t-SNE 的哈希方法在大规模基准数据集上的优越性和通过最小化量化误差以及加入标签信息等方法进一步提高语义检索性能的应用。

Dec, 2014

流形感知归纳哈希

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

流形学习：是什么，怎么做，为什么

Manifold learning is a set of methods to find the low dimensional structure of data, allowing visualization, de-noising, and interpretation, with a focus on statistical foundations and parameter choices.

Nov, 2023

数据流形中的多线性核回归和插补

本文介绍了一种基于核的高效多线性非参数逼近框架，应用于动态磁共振成像（dMRI）的数据回归和插值。该多线性模型具有降维、高效计算和提取数据模式和几何形状等特点，在严重欠采样的 dMRI 数据测试中较之以往的方法，包括流行的数据建模方法及最近的张量和深度图像先验方案，均表现出了显著的效率和准确性的提升。

Apr, 2023

多线性核回归与流形学习中的插补

该论文介绍了一种新颖的非参数框架用于数据插值，称为多线性核回归和流形假设下的插值（MultiL-KRIM）。

Feb, 2024

归纳全局与局部流形逼近与投影

GLoMAP 及其归纳版本 iGLoMAP 是一种新颖的流形学习方法，用于非线性降维和高维数据可视化，能有效地保留局部和全局的距离估计，并通过优化过程逐步展示从全局到局部形成的进展。iGLoMAP 通过深度神经网络使得在未见过的数据点上能够提供低维嵌入而无需重新训练算法，并适用于小批量学习，以加快梯度计算速度。经过与当前最先进的方法进行竞争性实验，在模拟数据和真实数据环境下成功应用了 GLoMAP 和 iGLoMAP。

Jun, 2024

基于随机森林保几何性质的监督流形学习

本文提出使用随机森林的数据几何保证变体作为流形学习方法的初始化，以实现具有意义的嵌入，并证明了使用这些相似度保持能够几乎适用于各种流形学习方法并且能够正确地维护全局结构。

Jul, 2023

DIMAL：基于稀疏测地抽样的深度等距流形学习

本文探讨一种完全无监督的深度学习方法，用于计算保持低维嵌入的等度量映射，通过 Siamese 配置来训练神经网络以解决多维最小二乘尺度问题。

Nov, 2017

可逆流形学习在降维中的应用

该论文提出了一种名为 invertible manifold learning 的两阶段降维方法来保持拓扑和地理结构的完整性，其中包括一个稀疏坐标转换学习低维表示和一个局部等距约束来保留局部几何形状，同时通过线性压缩在目标维度和信息损失之间寻找平衡点，并使用 i-ML-Enc 在七个数据集上进行了实验，证明该方法可以实现可逆降维以及学习流形数据的性质。

Oct, 2020