- 非线性流形学习确定微胶体尺寸的拉曼光谱
通过扩散映射方法和依托于拉曼光谱的数据集，建立了三个机器学习流程来准确预测从拉曼光谱中得出的聚合物颗粒大小，其中包括直接扩散映射、交替扩散映射和一种名为对等自编码器神经网络的方法。对比现有技术方法，这些自编码器在预测聚合物大小方面取得了有希 - 使用扩散图进行稳定的生成建模
我们提出了一个结合扩散映射和兰格朗日动力学的生成模型，通过扩散映射近似训练样本的漂移项，并在离散时间的兰格朗日采样器中实现，以生成新样本。通过设置核带宽与未调整的兰格朗日算法中使用的时间步长相匹配，我们的方法有效地解决了通常与时间步长严重随 - 图形学习中的信号滤波的扩散映射
本文通过比较扩散图信号模型与其他常用图信号算子，以及应用扩散图作为图移位算子来理解图信号的底层几何结构，从合成数据和真实世界的温度传感器数据出发，评估使用扩散图生成的滤波器对马尔可夫变异极小化问题中图学习的改进效果，为分析和理解复杂的非欧几 - 使用扩散桥对流体流动进行非配对下采样
本文提出了使用基于扩散映射的生成模型来降低理想地球物理流体模拟的方法，生成高分辨率图像，避免额外的校准或培训，并适用于多个源和目标域的组合，而不需要训练新模型。
- 功能性扩散图
这篇研究主要讲述了如何将非线性流形学习方法 ——Diffusion Maps 扩展到函数数据，并在不同的仿真和实例中将其行为与函数 PCA 进行比较，以便进行功能数据分析和降维。
- 无监督表示学习的最小变化
本文旨在讨论无监督学习中的表征学习，包括流形学习、扩散映射和自监督学习等技术，并探索在稠密区域内最小变化作为无监督表征学习的指导原则，这为自监督学习算法提供了更好的实践指南。
- ICML高维点云数据的多流形散射变换
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。
- MM关于重要和不重要参数组合的讨论
该研究使用数据驱动方法表征模型参数的不可识别性，并通过动态和稳定动力学模型进行说明。通过 Diffusion Maps 及其扩展，确定了化学系统输出行为所需的最小参数组合：模型的有效参数。使用自动编码神经网络技术和基于核的平滑函数技术，分离 - ECCV具随机游走采样的变分扩散自编码器
本文提出一种方法，将变分自编码器和生成对抗网络与扩散映射相结合，创建了一个继承扩散映射渐近保证的生成模型，同时保持深度模型的可扩展性。
- 文本网络嵌入的扩散映射
采用扩散映射对词语网络嵌入进行建模，以更好地捕捉文本之间的语义联系，并提供一种新的目标函数来有效保留多阶接近度。该方法在顶点分类和链路预测任务上优于最先进的方法。
- 流形学习下非线性动力系统的简洁表达：趋化性案例研究
提出了一种基于本地线性回归的算法来自动检测与重复特征向量对应的坐标，从而构造更简洁的埋点，并且将这种精简的扩散地图嵌入引导的距离转换为等价的度量。此方法在合成数据集和细胞趋化随机模型数据集上均获得了良好的效果。
- 动力系统的扩散映射、谱聚类和反应坐标
本文研究数据分析中的低维数据表示问题，提出了一种名为扩散映射的算法，能够将复杂高维数据嵌入低维欧几里得空间，从而实现长时间演化系统的高效识别与聚类分析。