遗传程序设计能否实现流形学习?
本研究提出了一种可解释的 Manifold Learning 方法,在不降低数据质量的前提下进行维度降低,具有多目标优化功能和高效简洁的特点,适用于数据分析的应用。
Jan, 2020
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
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
深度生成模型与流形假设之间的相互作用引起了人们的广泛关注。本文通过流形视角对 DGM 进行了首次调查,并对其进行了两个新的贡献:首先,形式上证明了高维似然函数的数值不稳定性是无法避免的;其次,发现基于自编码器的 DGM 可以被解释为近似最小化 Wasserstein 距离,这一结果有助于解释其出色的实证结果。流形视角提供了理解 DGM 的丰富视角,我们希望能够使之更加易于理解和推广。
Apr, 2024
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
提出了一种新的概率潜变量模型 (mGPLVM) 来同时确定潜变量状态和神经元对其表示的贡献,以研究神经元编码头部方向及其它相关行为表现内部潜变量构建的问题。
Jun, 2020
我们提出了一种新的方法,用于生成信息丰富的嵌入,该方法不仅消除了与不同类型先验知识相关的结构,还旨在揭示任何剩余的基本结构,通过采用两个目标的线性组合:首先是对先验信息相关结构进行折扣的对比主成分分析 (contrastive PCA),其次是通过峰度投影追求 (kurtosis projection pursuit) 确保得到的嵌入中存在有意义的数据分离,并将此任务形式化为流形优化问题,并在考虑三种不同类型的先验知识的各种数据集上进行了经验验证,最后,我们提供了一个自动化框架,用于对高维数据进行迭代的视觉探索。
Sep, 2023
本文通过一个简单的例子,警告我们在使用机器学习等技术进行测量时需要注意度量代表的物理现象与测量工具的度量值并不相同;本文提供的样例表明,在某些情况下这一问题可能导致我们对问题做出不正确的回答,从而提示我们在使用机器学习等技术进行测量时需要更加谨慎地进行数据处理。
Apr, 2023