会员服务
降维是将数据从高维空间转换为低维空间，以便低维表示保留原始数据的某些有意义的属性，理想情况下接近其固有维。降维在处理大量观察和/或大量变量的领域很常见，例如信号处理，语音识别，神经信息学和生物信息学。
Bridging the Dimensional Chasm: Uncover Layer-wise Dimensional Reduction in Transformers through Token Correlation
Arxiv
0+阅读 · 3月28日
Less Noise, More Signal: DRR for Better Optimizations of SE Tasks
Arxiv
0+阅读 · 3月27日
A Critical Analysis of the Usage of Dimensionality Reduction in Four Domains
Arxiv
0+阅读 · 3月11日
Towards One Model for Classical Dimensionality Reduction: A Probabilistic Perspective on UMAP and t-SNE
Arxiv
0+阅读 · 3月6日
Median Consensus Embedding for Dimensionality Reduction
Arxiv
0+阅读 · 3月11日
Unveiling High-dimensional Backstage: A Survey for Reliable Visual Analytics with Dimensionality Reduction
Arxiv
0+阅读 · 3月3日
The Shape of Attraction in UMAP: Exploring the Embedding Forces in Dimensionality Reduction
Arxiv
0+阅读 · 3月18日
Filtered Markovian Projection: Dimensionality Reduction in Filtering for Stochastic Reaction Networks
Arxiv
0+阅读 · 3月6日
EigenGS Representation: From Eigenspace to Gaussian Image Space
Arxiv
0+阅读 · 3月10日
A Novel Approach for Intrinsic Dimension Estimation
Arxiv
0+阅读 · 3月12日
Manifold learning in metric spaces
Arxiv
0+阅读 · 3月20日
Beyond Worst-Case Dimensionality Reduction for Sparse Vectors
Arxiv
0+阅读 · 2月27日
Topological Autoencoders++: Fast and Accurate Cycle-Aware Dimensionality Reduction
Arxiv
0+阅读 · 2月27日
Balanced Neural ODEs: nonlinear model order reduction and Koopman operator approximations
Arxiv
0+阅读 · 2月26日
Improving Surrogate Model Robustness to Perturbations for Dynamical Systems Through Machine Learning and Data Assimilation
Arxiv
0+阅读 · 2月25日
参考链接
微信扫码咨询专知VIP会员
Top