稀疏流形变换
本文介绍了一种基于稀疏流形变换的简单可解释无监督学习方法，通过可视化解释了无监督学习的表示变换，实现了接近 SOTA 方法的性能，同时与自监督方法密切相关，是一种很有前景的无监督学习方法。
Sep, 2022
利用预测性稀疏流形变换（PSMT）框架，将输入序列表示为过完备字典上的稀疏系数，学习捕捉稀疏系数中的拓扑相似性和动态时序线性性的几何嵌入空间，并利用该框架预测未来的视觉刺激，以实现更好的预测性能。
Aug, 2023
本文介绍了一种用于处理定义在黎曼流形上的数据的深度特征提取器 —— 旋转不变散射变换，并提出了一些基于扩散映射理论的实用方案，可以在自然系统中应用于点云数据上进行信号分类和流形分类任务。
Jun, 2022
通过对优化传输具有二次正则化的对称版本的利用来构建稀疏且自适应的亲和矩阵的流形学习方法，从而检测数据嵌入的潜在流形是广泛一类下游分析的先决条件。我们证明了连续极限中产生的核函数与拉普拉斯类型算子一致，并在模拟中展示了对异方差噪声的鲁棒性，我们还确定了适用于离散数据的计算该优化传输的高效计算方案，并证明在一系列示例中它优于竞争方法。
Jul, 2023
本文使用经验过程的工具，在低维流形信号族下研究了随机测量算子的嵌入问题及在噪声压缩测量下流形信号恢复和参数估计的确定性和概率最优解。结果表明，使用流形模型在压缩信号处理中可以高精度地进行信号恢复和参数估计。
Jun, 2013
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
该论文介绍了一种基于 SlowVAE 的非监督学习模型， 可以在自然视频中实现底层变化因素的非线性分离， 并证明该模型在多个测试数据集上都超过了目前的最先进水平，并成功应用于其他具有自然动态的视频数据集。
Jul, 2020
本文提出了一种新的无监督学习和数据降维算法，该算法利用邻域连接矩阵的部分特征分解将未组织的数据点表示为流形上的全局坐标，并使用切空间对流形的局部几何特征进行建模。作者通过实验证明了该算法的正确性，并指出了进一步研究的几个理论和算法问题。
Dec, 2002