有哪些降維方法是可以再將低維空間中的數據映射回高維空間的?
01-29
同問。
作為一個充分條件,如果降維對應的優化問題是像這樣的就可以,其中是某個差異性度量,是輸入,是降維演算法的輸出。
當找到最優的後,給一個新的,自然能映射回高維空間(效果跟具體演算法有關,不保證好)。
例子:
PCA,對應優化問題是(實際用的時候要把均值加回去);
形式上更一般的 Autoencoder,對應優化問題是 ,其中 和 是兩個神經網路。
進一步,如果降維演算法的目標函數不滿足這個條件,那麼當我們有了最優的並遇到一個新的時,我們可以嘗試把 對應的通過最優化求出來。這時候目標函數應該跟降維演算法的目標函數類似,但優化對象變成了。
這個問題關鍵不在演算法,在數據。如果數據分布在高維空間里的一個低維流形上,那麼sparse coding,autoencoder這些都可以做到。
又有人想挑戰香農了么
autoencoder
低維到高維應該不是降維吧 可用核函數方法
推薦閱讀: