本研究提出了一种在机器人学习中处理非欧几里德流形数值数据的本质方法，该方法通过在流形上选择适当的概率分布，并将其参数作为预测变量的函数进行非参数化估计，同时结合核函数的局部似然方法，实现了比投影算法更好的预测准确性。

Oct, 2023

研究论文介绍如何通过利用不可达欧几里得空间的可微函数，来解决机器学习中的回归问题。文中重点讨论了预图像的连通性和凸性等属性，并通过 3D 旋转的案例研究，说明了不同微分映射技术的优缺点，进言 Procrustes 正交标准化技术是最佳选择。

Mar, 2021

这项研究通过在流形上进行回归、流形统计学等探究，提出了一种在响应变量位于流形、协变量位于欧几里得空间情况下的回归预测方法，该方法基于非参数的分布自由概念，通过证明流形上经验预测区域与总体预测区域近似几乎必然收敛来展示其高效性。通过综合模拟研究和实际数据分析进行了验证。

Oct, 2023

研究了深度生成模型所学习的流形的黎曼几何，并提出了计算测地线和沿流形路径平行传递切向量的算法，发现这些模型学习的流形近似于零曲率，并探讨了这种现象的实际影响。

Nov, 2017

本论文提出了一种名为 GeoMLE 的算法，通过回归标准 MLEs 实现对平坦流形的内在维度的显式计算，能够有效地处理非均匀采样的流形，并在不同的合成和真实数据集上实现了最先进的性能。

Apr, 2019

我们提出了一种基于曲率的正则化方法用于深度生成模型学习，从而导出了坐标不变的内在曲率和外在曲率的显式公式，用于描述嵌入高维欧几里得空间中的任意数据流形。通过比较实验发现，与现有的自动编码器训练方法相比，基于曲率的方法在处理噪声运动捕捉数据时表现更优秀，其中内在曲率度量略优于外在曲率度量。

Sep, 2023

高斯过程回归是一种用于提供准确的不确定性估计和处理小型或稀疏数据集的方法，然而在高维数据上存在困难，本文提出了一种能够在实际数据中直接推断隐含结构的高斯过程回归技术，并讨论了该模型收敛到假设流形上的 Matern 高斯过程的情况，该技术能够扩展到数十万个数据点，并提高高维情况下标准高斯过程回归的预测性能和校准性。

Oct, 2023

通过对流形假设的研究，我们发现神经网络的可学习性与流形的曲率、正则性以及数据流形的体积之间存在紧密的关联；流形的有限曲率限制了学习问题的可解性，而数据流形的体积增加则会提高网络的可学习性。此外，我们还探讨了在真实世界数据中常见的具有异质特征的中间流形区域的情况。

Jun, 2024

这篇文章研究了参数非线性最小二乘估计问题，提出了模型流形和模型图的概念，并引入了适当的先验知识，以改进算法的性能。

Oct, 2010

本文研究了多元局部多项式回归对于低维流形上回归函数的非参数估计问题，揭示了其在适应局部光滑低维结构方面所表现出的优异性以及达到了 Sobolev 空间中回归函数最优的收敛速度。

Aug, 2007