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

多媒体数据具有高维复杂性，需要研究新的机器学习算法以便处理。本文综述了三种处理高维数据的方法，即特征转换、特征选择和特征编码，并介绍了一些有效的学习算法的最新进展和未来趋势。

Jul, 2017

本研究提出了 Distance Learner 方法，利用 “流形假设” 作为先验知识，对于 DNN-based 分类器进行训练，结果表明 Distance Learner 相比标准分类器学习到更有意义的分类边界，并且在对抗鲁棒性任务中表现出色。

Jul, 2022

Manifold 是一种利用视觉分析技术支持机器学习模型解释、调试和比较的通用框架，能够检查、解释和检验模型开发和诊断过程，它的可视化组件包括以散点图为基础的视觉摘要和揭示特征区分性的可自定义表格视图。

Aug, 2018

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

通过利用神经网络学习数据集的潜在结构，构建 GEM 模型，实现跨模态音像的模态无关表达与样本生成

Nov, 2021

MD-Manifold 是一种新颖的医学概念和患者表示法的框架，结合了数据增强方法、概念距离度量和患者网络，将关键的医学领域知识和先前数据信息纳入医学任务中，能够更准确地反映医学知识和患者特点，并在各种下游医学数据分析任务中优于其他现有技术。

Apr, 2023

多模态图学习的比较分析，阐明不同图类型的多模态学习方式，探索主要学习技术的特点，以及多模态图学习的重要应用和未来方向。

Feb, 2024

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。

Oct, 2017

本文总结了一些具有里程碑意义的研究论文，直接或间接地构建了当今多模态自我监督学习的基础。该文章回顾了过去几年中用于每种模态的表示学习的发展情况，以及它们如何组合成多模态智能体。

Nov, 2022