Dimensionality Reduction Meets Network Science: Sensemaking on UMAP’s kNN Graph
虽然 UMAP 广泛用于探索高维数据，但典型的工作流程侧重于其低维嵌入，很大程度上忽略了 UMAP 内部构造的丰富的 k 最近邻 (kNN) 图。在 UMAP 的 2D 投影引入失真之前，该图将数据流形编码在其原始高维空间中。我们展示了这种内部表示的未开发潜力，展示了应用于该图的标准图算法如何增强数据意义：(1) PageRank 识别代表性数据点，(2) k 核分解揭示密集......
IEEE Transactions on Neural Networks and Learning Systems, Volume 37, Issue 8, August 2026
1) 神经网络硬件加速的下一代数字预失真：趋势、挑战和未来作者：M. T. Khan、Y. Ding、G. Goussetis 页数：3503 - 35232) 移动机器人学习运动规划与控制调查：迈向具身智能作者：M. Wang、Y. Niu、B. Wang、W. Zhang、C. Wang页数: 3524 - 35443) PosFormer: 通过全局-局部特征融合网络进行广义室内定位作者: X.Xiao, Z.Yao, X.Gao, M.Sheng, D.Peng, M.Zeng页数: 3545 - 35584) Adversarial Augmentation With Maximum
