多线性核回归与流形学习中的插补
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
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
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
提出一种基于核的方法,用于构建定义函数,它可以应用于从完全维数的流形到点云的任意有界光滑流形的内插和分析,通过线性组合平移核函数得到签名函数,可用于估计维数、法向量和曲率,方法以全局性、不依赖于数据集中其他结构的特点,通过一种变分形式进行正则化,克服了噪音和误差的问题。
Mar, 2024
利用核函数的奇技淫巧在嵌入空间下将多流形建模问题转化为混合线性建模问题,并提出了一种名为 Kernel Spectral Curvature Clustering 的算法,能够通过光谱聚类方法从多方面的相似性中将多种动作区分开来。
Sep, 2009
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
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
该论文提出了一种基于标签传播模型改进流形正则化的方法,通过增强扩散图算法的概率转移矩阵来描述流形上的标签传播过程,并证明了扩展的标签传播函数在足够长时间后收敛到稳定分布,成为一个可用的分类器,实验证明了该方法的优越性。
Mar, 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
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