机构名称：
¥ 1.0
在许多应用中，尤其是在生物医学和气候研究中，可访问数据的数量和多样性已经达到了前所未有的水平，提供了一个独特的机会，可以深入了解这些复杂系统。但是，这种数据激增带来了重大挑战。的确，现代数据科学的特征越来越多地是对高维多模式数据集进行的研究，在这些数据集中，每个数据样本的几个特征可能无关紧要（例如，由于腐败或其他特征组合的线性相关性而导致的），或者是在分辨率和收购策略中的多样性策略来构建策略的多样性。例如，最近，艾伦·图灵研究所（Alan Turing Institute）举办了一系列的研讨会，分析了丢失数据的性质，并指出它可以归因于各种现象，包括多模式链接，批处理失败或人口异质性[8]。为了表征和解决现代数据集的挑战，已经开发了各种数据表示，包括低维投影，矩阵分解和图表表示。尤其是，图形嵌入被证明是一个非常强大的工具，可以编码拓扑网络信息，并提供有关基础数据几何形状的见解。由于图可以被视为平滑歧管的离散（零维）对应物，因此可以将图形嵌入被视为降低歧管维度降低的特殊情况，也称为歧管学习。图形嵌入在首先通过学习/构造足够的图表表示，然后将其投影到较低维度的几何空间，通常是歧管，例如欧几里得空间（R n）或超纤维空间。在过去20年中，流形学习取得了重大进步，导致了能够嵌入复杂几何形状和非线性关系的广泛有效方法的发展，尤其是ISOMAP [12]，T-SNE [13]和UMAP [7]。最近，出现了新的流形学习策略，该策略并不依赖于数据位于submanifold上的假设，即所谓的“流动假设”，而是通过做出嵌入流层的前提选择来明确地将学习/归纳偏见编纂。这些最新的嵌入旨在匹配成对距离，并且在嵌入式上呈弯曲的曲率与节点的曲率信息匹配。以这种方式，所得的下二歧管嵌入能够总结嵌入式节点的配置以及图结构属性。值得注意的是，它们在多样化的研究领域中得到了相当成功的运用[9、5、14、10、3、4]，因为它们使我们能够利用图理论，拓扑数据分析和差异几何形状中的工具来促进各种任务的完成，包括链接预测，网络重构，网络重构和node Clustering [2]。
几何形状的数据表示
主要关键词
相关文件推荐
