Jove
Visualize
Contáctanos

Videos de Experimentos Relacionados

Reducción de la dimensionalidad no lineal mediante la incorporación localmente lineal.

S T Roweis1, L K Saul

  • 1Gatsby Computational Neuroscience Unit, University College London, 17 Queen Square, London WC1N 3AR, UK. roweis@gatsby.ucl.ac.uk

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

Attractor dynamics in feedforward neural networks.

Neural computation·2000
Same journal

A native sulfur deposit in Gale crater, Mars.

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

Coordinated demise of harmful algal blooms.

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

Genetic effects put into context.

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

Bacteria share proteins to survive antibiotics.

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

Impacts shaped Earth's first continents.

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

Erratum for the Report "Covalently bonded single-molecule junctions with stable and reversible photoswitched conductivity" by C. Jia <i>et al</i>.

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

Localmente Lineal Embedding (LLE) es un nuevo método de aprendizaje no supervisado para la reducción de dimensionalidad. Conserva las estructuras de vecindario y descubre la estructura global de variedades no lineales en datos de alta dimensión.

Área de la Ciencia:

  • Análisis y visualización de datos en todas las disciplinas científicas.
  • Manejo de conjuntos de datos multivariados a gran escala.

Sus antecedentes:

  • El desafío de la reducción de dimensionalidad para datos de alta dimensión.
  • Necesidad de representaciones compactas de datos en el análisis exploratorio de datos.

Objetivo del estudio:

  • Introducir Localmente Lineal Embedding (LLE), un algoritmo de aprendizaje sin supervisión.
  • Desarrollar un método para la reducción de dimensionalidad que preserve el vecindario.
  • Mapear entradas de alta dimensión a un sistema de coordenadas globales de menor dimensión.

Principales métodos:

  • Algoritmo de aprendizaje no supervisado que aprovecha las reconstrucciones lineales locales.
  • Aprovechar las simetrías locales para aprender la estructura global de datos.

Videos de Experimentos Relacionados

  • Optimizaciones que evitan mínimos locales para incorporaciones robustas.

    • Principales resultados:

    • Cálculo de incrustaciones de baja dimensión que preservan el vecindario.
    • Mapeo exitoso de datos de alta dimensión en un único sistema global de coordenadas.
    • Capacidad para aprender la estructura global de las variedades no lineales.

    Conclusiones:

    • LLE proporciona un enfoque eficaz para la reducción de dimensionalidad.
    • El algoritmo sobresale en la preservación de la información del vecindario local.
    • LLE puede descubrir la estructura global de variedades de datos complejas y no lineales.