Jove
Visualize
Contáctanos

Videos de Experimentos Relacionados

Un marco geométrico global para la reducción de dimensionalidad no lineal.

J B Tenenbaum1, V de Silva, J C Langford

  • 1Department of Psychology, Stanford University, Stanford, CA 94305, USA. jbt@psych.stanford.edu

Science (New York, N.Y.)
|December 23, 2000
PubMed
Resumen
Este resumen es generado por máquina.

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Validation of psoriasis disability index (PDI) questionnaire Sinhala version.

Archives of dermatological research·2021
Same author

Validation of Sinhala version of Psoriasis Epidemiology Screening Tool.

Clinical rheumatology·2021
Same author

See, feel, act: Hierarchical learning for complex manipulation skills with multisensory fusion.

Science robotics·2020
Same author

Validation of the Sinhala version of the Montreal Cognitive Assessment in screening for dementia.

The Ceylon medical journal·2012
Same author

Cost of the paracetamol overdose epidemic.

The Ceylon medical journal·2010
Same author

Alcohol and tobacco use among males in two districts in Sri Lanka.

The Ceylon medical journal·2010
Same journal

Erratum for the Research Article "Detecting supramolecular organic nanoparticles during heat wave".

Science (New York, N.Y.)·2026
Same journal

Local signals, systemic decline.

Science (New York, N.Y.)·2026
Same journal

The mechanics of liver regeneration.

Science (New York, N.Y.)·2026
Same journal

Computing in a memory with physics.

Science (New York, N.Y.)·2026
Same journal

Retraction.

Science (New York, N.Y.)·2026
Same journal

Making time.

Science (New York, N.Y.)·2026
Ver todos los artículos relacionados
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Este estudio presenta un nuevo método de reducción de dimensionalidad que utiliza métricas de datos locales para descubrir estructuras ocultas de baja dimensión en conjuntos de datos complejos y de alta dimensión. Eficazmente encuentra soluciones globalmente óptimas para datos no lineales, superando las técnicas tradicionales.

Área de la Ciencia:

  • Ciencia de datos Ciencia de datos.
  • Aprendizaje automático Aprendizaje automático.
  • Geometría computacional de la computación.

Sus antecedentes:

  • El análisis de datos de alta dimensión es crucial en campos como la ciencia del clima, la astronomía y la genómica.
  • El cerebro humano también realiza la reducción de dimensionalidad en la entrada sensorial para la percepción.
  • Los métodos clásicos como PCA y MDS luchan con estructuras de datos complejas y no lineales.

Objetivo del estudio:

  • Desarrollar un enfoque eficiente y globalmente óptimo para la reducción de dimensionalidad.
  • Para descubrir estructuras no lineales en conjuntos de datos de alta dimensión.
  • Proporcionar un método capaz de manejar observaciones naturales complejas.

Principales métodos:

  • Utiliza información métrica local fácilmente medida para inferir la geometría de los datos globales.

Videos de Experimentos Relacionados

  • Emplea un nuevo algoritmo para la reducción de dimensionalidad no lineal.
  • Se centra en el aprendizaje de la variedad subyacente de los datos.

    • Principales resultados:

    • El enfoque descubre efectivamente grados de libertad no lineales en datos complejos.
    • Eficazmente calcula una solución globalmente óptima para la reducción de dimensionalidad.
    • Convergencia asintótica garantizada a la verdadera estructura de datos para ciertas variedades de datos.

    Conclusiones:

    • Este método ofrece una poderosa alternativa a las técnicas clásicas para el análisis de datos de alta dimensión.
    • Se destaca por revelar patrones ocultos no lineales en conjuntos de datos complejos.
    • El enfoque es eficiente y proporciona convergencia garantizada para tipos específicos de datos.