Análisis comparativo de los métodos de reducción de dimensionalidad basados en aprendizaje de variedades: una perspectiva matemática
Autores: Yi, Wenting; Bu, Siqi; Lee, Hiu-Hung; Chan, Chun-Hung
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Análisis comparativo de los métodos de reducción de dimensionalidad basados en aprendizaje de variedades: una perspectiva matemática
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Aprendizaje variado
Incrustación de vecinos estocásticos distribuidos en t
Aproximación y proyección uniforme de variedades
Preservación de la estructura global de datos
Eficiencia computacional
Mecanismos matemáticos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
Los enfoques basados en aprendizaje manifolds han surgido como técnicas prominentes para la reducción de dimensionalidad. Entre estos métodos, t-Distributed Stochastic Neighbor Embedding (t-SNE) y Uniform Manifold Approximation and Projection (UMAP) destacan como dos de los enfoques más ampliamente utilizados y efectivos.
Descripción
Los enfoques basados en aprendizaje manifolds han surgido como técnicas prominentes para la reducción de dimensionalidad. Entre estos métodos, t-Distributed Stochastic Neighbor Embedding (t-SNE) y Uniform Manifold Approximation and Projection (UMAP) destacan como dos de los enfoques más ampliamente utilizados y efectivos.